Hubert Large Superb Ks

🚀 用於關鍵詞檢測的Hubert-Large模型

本模型是用於關鍵詞檢測的Hubert-Large版本，基於Transformer架構，能夠高效準確地識別語音中的關鍵詞，為語音交互等應用提供強大支持。

🚀 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。使用時請確保輸入語音的採樣率為16kHz。

✨ 主要特性

• 精準識別：基於預訓練的hubert-large-ll60k模型，在關鍵詞檢測任務上表現出色。
• 適配標準數據集：使用廣泛應用的Speech Commands數據集v1.0進行訓練和評估。
• 多方式調用：支持通過音頻分類管道和直接調用模型兩種方式使用。

📦 安裝指南

文檔未提及安裝步驟，可參考相關庫（如datasets、transformers、torch、torchaudio等）的官方安裝指南進行安裝。

💻 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/hubert-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 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-large-superb-ks")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-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

模型描述

這是 S3PRL的Hubert用於SUPERB關鍵詞檢測任務 的移植版本。 基礎模型是 hubert-large-ll60k，它在16kHz採樣的語音音頻上進行了預訓練。使用該模型時，請確保你的語音輸入也是16kHz採樣的。 更多信息請參考 SUPERB: 語音處理通用性能基準。

任務和數據集描述

關鍵詞檢測（KS）通過將語音分類到預定義的單詞集合中來檢測預註冊的關鍵詞。該任務通常在設備上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使用廣泛應用的 Speech Commands數據集v1.0 來完成此任務。 該數據集由十個關鍵詞類、一個靜音類和一個用於包含誤報的未知類組成。 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。