Wav2vec2 Large Robust 24 Ft Age Gender

🚀 基於Wav2vec 2.0（24層）的年齡和性別識別模型

本模型旨在解決音頻數據中年齡和性別識別的問題，通過輸入原始音頻信號，輸出年齡和性別的預測結果，為音頻分析領域提供了有效的解決方案。

🚀 快速開始

此模型以原始音頻信號作為輸入，輸出年齡預測值（範圍約為 0...1，對應 0...100 歲）以及性別預測結果，該結果以概率形式表示為兒童、女性或男性。此外，模型還會提供最後一個Transformer層的池化狀態。

該模型是通過在 aGender、Mozilla Common Voice、Timit 和 Voxceleb 2 數據集上對 Wav2Vec2-Large-Robust 進行微調而創建的。在這個版本的模型中，我們對所有 24 個Transformer層進行了訓練。

模型的 ONNX 導出文件可從 doi:10.5281/zenodo.7761387 獲取。更多詳細信息請參考相關 論文 和 教程。

✨ 主要特性

• 多數據集訓練：使用多個知名音頻數據集進行訓練，提高了模型的泛化能力。
• 輸出豐富：不僅輸出年齡和性別預測，還提供最後一個Transformer層的池化狀態。
• 可導出ONNX：支持將模型導出為ONNX格式，方便在不同平臺上部署。

📦 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

import numpy as np
import torch
import torch.nn as nn
from transformers import Wav2Vec2Processor
from transformers.models.wav2vec2.modeling_wav2vec2 import (
    Wav2Vec2Model,
    Wav2Vec2PreTrainedModel,
)


class ModelHead(nn.Module):
    r"""Classification head."""

    def __init__(self, config, num_labels):

        super().__init__()

        self.dense = nn.Linear(config.hidden_size, config.hidden_size)
        self.dropout = nn.Dropout(config.final_dropout)
        self.out_proj = nn.Linear(config.hidden_size, num_labels)

    def forward(self, features, **kwargs):

        x = features
        x = self.dropout(x)
        x = self.dense(x)
        x = torch.tanh(x)
        x = self.dropout(x)
        x = self.out_proj(x)

        return x


class AgeGenderModel(Wav2Vec2PreTrainedModel):
    r"""Speech emotion classifier."""

    def __init__(self, config):

        super().__init__(config)

        self.config = config
        self.wav2vec2 = Wav2Vec2Model(config)
        self.age = ModelHead(config, 1)
        self.gender = ModelHead(config, 3)
        self.init_weights()

    def forward(
            self,
            input_values,
    ):

        outputs = self.wav2vec2(input_values)
        hidden_states = outputs[0]
        hidden_states = torch.mean(hidden_states, dim=1)
        logits_age = self.age(hidden_states)
        logits_gender = torch.softmax(self.gender(hidden_states), dim=1)

        return hidden_states, logits_age, logits_gender



# load model from hub
device = 'cpu'
model_name = 'audeering/wav2vec2-large-robust-24-ft-age-gender'
processor = Wav2Vec2Processor.from_pretrained(model_name)
model = AgeGenderModel.from_pretrained(model_name)

# dummy signal
sampling_rate = 16000
signal = np.zeros((1, sampling_rate), dtype=np.float32)


def process_func(
    x: np.ndarray,
    sampling_rate: int,
    embeddings: bool = False,
) -> np.ndarray:
    r"""Predict age and gender or extract embeddings from raw audio signal."""

    # run through processor to normalize signal
    # always returns a batch, so we just get the first entry
    # then we put it on the device
    y = processor(x, sampling_rate=sampling_rate)
    y = y['input_values'][0]
    y = y.reshape(1, -1)
    y = torch.from_numpy(y).to(device)

    # run through model
    with torch.no_grad():
        y = model(y)
        if embeddings:
            y = y[0]
        else:
            y = torch.hstack([y[1], y[2]])

    # convert to numpy
    y = y.detach().cpu().numpy()

    return y


print(process_func(signal, sampling_rate))
#    Age        female     male       child
# [[ 0.33793038 0.2715511  0.2275236  0.5009253 ]]

print(process_func(signal, sampling_rate, embeddings=True))
# Pooled hidden states of last transformer layer
# [[ 0.024444    0.0508722   0.04930823 ...  0.07247854 -0.0697901
#   -0.0170537 ]]

高級用法

文檔未提供高級用法示例，暫不展示。

📚 詳細文檔

文檔未提供更多詳細說明，暫不展示。

🔧 技術細節

文檔未提供具體技術實現細節，暫不展示。

📄 許可證

本模型使用的許可證為 cc-by-nc-sa-4.0。