Voc2vec

🚀 voc2vec

voc2vec是專門為非語言人類數據設計的基礎模型。它利用了約125小時的非語言音頻數據，為非語言人類數據處理提供了強大的支持。

✨ 主要特性

• 專為非語言人類數據設計，具有針對性和專業性。
• 基於wav2vec 2.0框架構建，沿用其預訓練設置。
• 在多個數據集上進行評估，展現出良好的性能。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

import torch
import librosa
from transformers import AutoModelForAudioClassification, AutoFeatureExtractor

## Load an audio file
audio_array, sr = librosa.load("path_to_audio.wav", sr=16000)

## Load model and feature extractor
model = AutoModelForAudioClassification.from_pretrained("alkiskoudounas/voc2vec")
feature_extractor = AutoFeatureExtractor.from_pretrained("alkiskoudounas/voc2vec")

## Extract features
inputs = feature_extractor(audio_array.squeeze(), sampling_rate=feature_extractor.sampling_rate, padding=True, return_tensors="pt")

## Compute logits
logits = model(**inputs).logits

📚 詳細文檔

模型描述

Voc2vec基於wav2vec 2.0框架構建，並沿用其預訓練設置。預訓練數據集包括：AudioSet（發聲）、FreeSound（嬰兒）、HumanVoiceDataset、NNIME、NonSpeech7K、ReCANVo、SingingDatabase、TUT（嬰兒）、VocalSketch、VocalSound。

任務和數據集描述

我們在六個數據集上評估了voc2vec：ASVP - ESD、ASPV - ESD（嬰兒）、CNVVE、NonVerbal Vocalization Dataset、Donate a Cry、VIVAE。

下表報告了上述六個數據集在未加權平均召回率（UAR）和F1宏觀指標方面的平均性能。

可用模型

🔧 技術細節

文檔未提供具體的技術實現細節，故跳過此章節。

📄 許可證

本項目採用Apache-2.0許可證。

📖 BibTeX引用

@INPROCEEDINGS{koudounas2025icassp,
  author={Koudounas, Alkis and La Quatra, Moreno and Siniscalchi, Sabato Marco and Baralis, Elena},
  booktitle={ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, 
  title={voc2vec: A Foundation Model for Non-Verbal Vocalization}, 
  year={2025},
  volume={},
  number={},
  pages={1-5},
  keywords={Pediatrics;Accuracy;Foundation models;Benchmark testing;Signal processing;Data models;Acoustics;Speech processing;Nonverbal vocalization;Representation Learning;Self-Supervised Models;Pre-trained Models},
  doi={10.1109/ICASSP49660.2025.10890672}}