Hubert Base Superb Ks

🚀 キーワード識別用のHubert-Baseモデル

このモデルは音声のキーワード識別に使用されます。事前学習されたHubertモデルをベースに構築され、SUPERBベンチマークテストのキーワード識別タスクで優れた性能を発揮し、音声中のキーワードを効率的かつ正確に識別することができます。

🚀 クイックスタート

このモデルは S3PRLのHubertモデルによるSUPERBキーワード識別タスク の移植版です。 ベースモデルは hubert-base-ls960 で、このモデルは16kHzでサンプリングされた音声オーディオで事前学習されています。モデルを使用する際には、入力音声も16kHzでサンプリングされていることを確認してください。 詳細な情報は SUPERB: 音声処理の汎用性能ベンチマーク を参照してください。

✨ 主な機能

• キーワード識別能力：事前登録されたキーワードを検出し、音声を事前定義された語彙集合に分類することができます。
• デバイス端末向け：このタスクは通常、デバイス端末で実行され、迅速な応答を実現します。
• 多指標最適化：精度、モデルサイズ、推論時間などの面で良好な性能を発揮します。

📦 インストール

ドキュメントにインストール手順が記載されていません。関連する依存ライブラリ（datasets、transformers、torch、torchaudio など）の公式インストールガイドを参照してインストールしてください。

💻 使用例

基本的な使用法

このモデルは音声分類パイプラインを通じて使用できます：

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "ks", split="test")

classifier = pipeline("audio-classification", model="superb/hubert-base-superb-ks")
labels = classifier(dataset[0]["file"], top_k=5)

高度な使用法

また、直接モデルを使用することもできます：

import torch
from datasets import load_dataset
from transformers import HubertForSequenceClassification, Wav2Vec2FeatureExtractor
from torchaudio.sox_effects import apply_effects_file

effects = [["channels", "1"], ["rate", "16000"], ["gain", "-3.0"]]
def map_to_array(example):
    speech, _ = apply_effects_file(example["file"], effects)
    example["speech"] = speech.squeeze(0).numpy()
    return example

# load a demo dataset and read audio files
dataset = load_dataset("anton-l/superb_demo", "ks", split="test")
dataset = dataset.map(map_to_array)

model = HubertForSequenceClassification.from_pretrained("superb/hubert-base-superb-ks")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-base-superb-ks")

# compute attention masks and normalize the waveform if needed
inputs = feature_extractor(dataset[:4]["speech"], sampling_rate=16000, padding=True, return_tensors="pt")

logits = model(**inputs).logits
predicted_ids = torch.argmax(logits, dim=-1)
labels = [model.config.id2label[_id] for _id in predicted_ids.tolist()]

📚 ドキュメント

タスクとデータセットの説明

キーワード識別（KS）は、音声を事前定義された語彙集合に分類することで、事前登録されたキーワードを検出します。このタスクは通常、デバイス端末で実行され、迅速な応答を実現します。したがって、精度、モデルサイズ、推論時間はすべて重要です。SUPERBは、このタスクに広く使用されている 音声コマンドデータセットv1.0 を使用しています。 このデータセットは、10個のキーワードクラス、1つの無音クラス、および1つの未知クラスで構成され、誤検出のケースを含めることができます。

元のモデルの学習と評価に関する説明は、S3PRLの下流タスクREADME を参照してください。

評価結果

評価指標は正解率です。

BibTeX引用と引用情報

@article{yang2021superb,
  title={SUPERB: Speech processing Universal PERformance Benchmark},
  author={Yang, Shu-wen and Chi, Po-Han and Chuang, Yung-Sung and Lai, Cheng-I Jeff and Lakhotia, Kushal and Lin, Yist Y and Liu, Andy T and Shi, Jiatong and Chang, Xuankai and Lin, Guan-Ting and others},
  journal={arXiv preprint arXiv:2105.01051},
  year={2021}
}

📄 ライセンス

このプロジェクトはApache-2.0ライセンスの下で提供されています。