Wav2vec2 Large Superb Ks

🚀 Wav2Vec2-Large 用於關鍵詞識別

本項目基於 Wav2Vec2-Large 模型實現關鍵詞識別功能，可將語音輸入分類為預定義的關鍵詞集合，適用於需要快速響應的設備端應用。

🚀 快速開始

本模型基於 wav2vec2-large-lv60 模型，該模型在 16kHz 採樣的語音音頻上進行了預訓練。使用模型時，請確保輸入的語音也採樣於 16kHz。

更多信息請參考 SUPERB: Speech processing Universal PERformance Benchmark。

✨ 主要特性

• 移植自 S3PRL 的 Wav2Vec2 用於 SUPERB 關鍵詞識別任務。
• 基於預訓練的 wav2vec2-large-lv60 模型，在 16kHz 採樣的語音音頻上進行訓練。
• 可通過音頻分類管道或直接使用模型進行關鍵詞識別。

📦 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

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", "ks", split="test")

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

高級用法

也可以直接使用該模型：

import torch
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, 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 = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-large-superb-ks")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-large-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()]

📚 詳細文檔

任務和數據集描述

關鍵詞識別（KS）通過將語音分類為預定義的單詞集合來檢測預註冊的關鍵詞。該任務通常在設備端執行，以實現快速響應時間。因此，準確性、模型大小和推理時間都至關重要。SUPERB 使用廣泛使用的 Speech Commands 數據集 v1.0 進行該任務。該數據集由十個關鍵詞類、一個靜音類和一個未知類組成，以包含誤報。

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}
}

📄 許可證

本項目採用 Apache 2.0 許可證。