Hubert Base Superb Er

🚀 Hubert-Base for Emotion Recognition

このモデルは、感情認識タスクに特化したHubert-Baseモデルです。S3PRLのモデルをポートしたもので、SUPERBベンチマークの感情認識タスクに対応しています。

🚀 クイックスタート

このモデルは、音声分類パイプラインを介して使用することができます。また、直接モデルを使用することも可能です。使用する際には、音声入力が16kHzでサンプリングされていることを確認してください。

✨ 主な機能

• 感情認識タスクに特化したHubert-Baseモデル
• 音声分類パイプラインを介した簡単な使用方法
• 直接モデルを使用することも可能

📦 インストール

このモデルは、Hugging Face Hubから直接使用することができます。以下のようにパイプラインを使用することができます。

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "er", split="session1")

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

💻 使用例

基本的な使用法

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "er", split="session1")

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

高度な使用法

import torch
import librosa
from datasets import load_dataset
from transformers import HubertForSequenceClassification, Wav2Vec2FeatureExtractor

def map_to_array(example):
    speech, _ = librosa.load(example["file"], sr=16000, mono=True)
    example["speech"] = speech
    return example

# load a demo dataset and read audio files
dataset = load_dataset("anton-l/superb_demo", "er", split="session1")
dataset = dataset.map(map_to_array)

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

# 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

モデルの説明

これは、S3PRLのSUPERB感情認識タスク用のHubert のポート版です。 ベースモデルは hubert-base-ls960 で、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、音声入力も16kHzでサンプリングされていることを確認してください。 詳細については、SUPERB: Speech processing Universal PERformance Benchmark を参照してください。

タスクとデータセットの説明

感情認識（ER）は、各発話に対して感情クラスを予測します。最も広く使用されているERデータセット IEMOCAP を採用しており、従来の評価プロトコルに従っています。不均衡な感情クラスを削除し、最終的にデータポイントの数が同程度の4つのクラスに絞り、標準的な分割の5つのフォールドで交差検証を行います。 元のモデルのトレーニングと評価の手順については、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

@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

このモデルは、Apache-2.0ライセンスの下で提供されています。