Wav2vec2 Large Superb Sid

🚀 用於說話人識別的Wav2Vec2-Large模型

本模型是基於Wav2Vec2-Large的說話人識別模型，能夠精準對語音進行說話人身份分類，在說話人識別領域具有重要應用價值。

🚀 快速開始

本模型可通過音頻分類管道使用，也可直接調用模型進行推理。以下是具體使用示例。

✨ 主要特性

• 模型移植：這是 S3PRL的Wav2Vec2用於SUPERB說話人識別任務 的移植版本。
• 基礎模型：基於 wav2vec2-large-lv60 模型，該模型在16kHz採樣的語音音頻上進行了預訓練，使用時請確保輸入語音也為16kHz採樣。
• 任務與數據集：說話人識別（SI）將每個語音片段分類為其說話人的身份，作為多類分類任務，採用了廣泛使用的 VoxCeleb1 數據集。

📦 安裝指南

文檔未提供具體安裝步驟，暫不展示。

💻 使用示例

基礎用法

你可以通過音頻分類管道使用該模型：

from datasets import load_dataset
from transformers import pipeline

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

classifier = pipeline("audio-classification", model="superb/wav2vec2-large-superb-sid")
labels = classifier(dataset[0]["file"], top_k=5)

高級用法

也可以直接使用該模型：

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, 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", "si", split="test")
dataset = dataset.map(map_to_array)

model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-large-superb-sid")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-large-superb-sid")

# compute attention masks and normalize the waveform if needed
inputs = feature_extractor(dataset[:2]["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()]

📚 詳細文檔

模型描述

這是 S3PRL的Wav2Vec2用於SUPERB說話人識別任務 的移植版本。基礎模型是 wav2vec2-large-lv60，它在16kHz採樣的語音音頻上進行了預訓練。使用模型時，請確保輸入的語音也採樣為16kHz。更多信息請參考 SUPERB: Speech processing Universal PERformance Benchmark。

任務和數據集描述

說話人識別（SI）將每個語音片段分類為其說話人的身份，作為多類分類任務，其中說話人在訓練和測試中都在同一個預定義集合中。採用了廣泛使用的 VoxCeleb1 數據集。有關原始模型的訓練和評估說明，請參考 S3PRL下游任務README。

評估結果

評估指標為準確率。

BibTeX引用和引用信息

@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}
}

🔧 技術細節

文檔未提供具體技術細節，暫不展示。

📄 許可證

本項目採用Apache 2.0許可證。