Ast Finetuned Speech Commands V2

🚀 音声スペクトログラムトランスフォーマー (Speech Commands v2でファインチューニング済み)

音声スペクトログラムトランスフォーマー（AST）は、Speech Commands v2でファインチューニングされたモデルです。このモデルは、Gongらによる論文AST: Audio Spectrogram Transformerで導入され、このリポジトリで最初に公開されました。

なお、音声スペクトログラムトランスフォーマーを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

📚 ドキュメント

モデルの説明

音声スペクトログラムトランスフォーマーは、ViTと同等のモデルですが、音声に適用されています。音声はまず画像（スペクトログラム）に変換され、その後ビジョントランスフォーマーが適用されます。このモデルは、いくつかの音声分類ベンチマークで最先端の結果を得ています。

使用方法

生のモデルを使用して、音声をSpeech Commands v2のクラスのいずれかに分類することができます。詳細については、ドキュメントを参照してください。

📄 ライセンス

このモデルはBSD 3条項ライセンスの下で提供されています。

📊 モデル指標