Accent Determinator

🚀 拉美口音判定模型卡片

本模型是一個基於Wav2Vec2的模型，能夠根據說話者的口音，將音頻分類為波多黎各、哥倫比亞、委內瑞拉、秘魯或智利口音。

🚀 快速開始

若你想開始使用該模型，可參考如下指引：

• 更多信息資源：GitHub倉庫

✨ 主要特性

• 能夠精準地將音頻按照說話者的口音分類為波多黎各、哥倫比亞、委內瑞拉、秘魯或智利口音。
• 訓練過程輕量級，使用Google Colaboratory Premium GPUs進行訓練耗時不到1小時。

📦 安裝指南

文檔未提及具體安裝步驟，故跳過此章節。

💻 使用示例

文檔未提供代碼示例，故跳過此章節。

📚 詳細文檔

模型詳情

模型描述

本模型是一個基於Wav2Vec2的模型，用於根據說話者的口音，將音頻分類為波多黎各、哥倫比亞、委內瑞拉、秘魯或智利口音。

• 開發者：Henry Savich
• 共享者（可選）：Henry Savich
• 模型類型：語言模型
• 語言（NLP）：西班牙語（es）
• 許可證：openrail
• 基礎模型：Wav2Vec2 Base
• 更多信息資源：GitHub倉庫

用途

直接用途

將音頻片段分類為波多黎各、秘魯、委內瑞拉、哥倫比亞或智利西班牙語口音。

非預期用途

該模型是基於說話者朗讀預先選定的句子進行訓練的，因此它並未反映出不同方言之間的詞彙差異。

偏差、風險和侷限性

大量研究已經探討了語言模型的偏差和公平性問題（例如，可參考Sheng等人（2021）和Bender等人（2021））。該模型生成的預測結果可能包含針對受保護類別、身份特徵以及敏感、社會和職業群體的令人不安和有害的刻板印象。

訓練詳情

訓練數據

OpenSLR 71、72、73、74、75、76

訓練過程

預處理

數據按照說話者進行了訓練集 - 測試集劃分，以防止模型通過匹配聲音來獲得較高的測試準確率。

速度、規模和時間

在約3000個5秒的音頻片段上進行訓練，使用Google Colaboratory Premium GPUs進行訓練耗時不到1小時。

評估

測試數據、因素和指標

測試數據

OpenSLR 71、72、73、74、75、76 數據集鏈接

因素

音頻質量 - 訓練和測試數據的質量高於常見音頻的預期質量。

指標

準確率

結果

根據隨機的訓練 - 測試劃分，準確率約為85%。

模型檢驗

即使按照說話者進行劃分，我們的模型在測試集上仍取得了出色的準確率。這很有趣，因為這表明至少在這種粒度下，口音分類比語音識別更容易，而語音識別同樣可以輕鬆滿足訓練目標。

混淆矩陣顯示，巴斯克語是最容易區分的，這是可以預料的，因為它是唯一非西班牙語的語言。在測試集中，波多黎各口音最難識別，但我認為這更多是因為波多黎各的數據最少，而不是口音本身的問題。

我認為，如果在相同的實驗中使用相同規模的數據集，但有更多的說話者（這樣就不會過度擬合個體聲音），我們可以預期接近完美的準確率。

技術規格

模型架構和目標

Wav2Vec2

計算基礎設施

Google Colaboratory Pro+

硬件

Google Colaboratory Pro+ Premium GPUS

軟件

通過huggingface使用Pytorch

引用

文檔未提及具體引用格式，故跳過此章節。

模型卡片作者

Henry Savich

模型卡片聯繫方式

henry.h.savich@vanderbilt.edu