Voc2vec As Pt

🚀 voc2vec-as-pt

voc2vec是专门为非语言人类数据设计的基础模型。它利用了涵盖约125小时非语言音频的10个数据集，预训练了一个类似Wav2Vec2的模型，为非语言音频处理提供了强大的支持。

🚀 快速开始

你可以直接按照以下方式使用该模型：

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-as-pt")
feature_extractor = AutoFeatureExtractor.from_pretrained("alkiskoudounas/voc2vec-as-pt")

## 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

✨ 主要特性

• 针对性设计：专门为非语言人类数据打造，在非语言音频处理方面具有独特优势。
• 丰富数据集训练：使用了10个数据集进行预训练，涵盖约125小时的非语言音频，模型泛化能力强。

📚 详细文档

模型描述

Voc2vec基于wav2vec 2.0框架构建，并遵循其预训练设置。预训练数据集包括：AudioSet（发声）、FreeSound（婴儿声音）、HumanVoiceDataset、NNIME、NonSpeech7K、ReCANVo、SingingDatabase、TUT（婴儿声音）、VocalSketch、VocalSound。该模型从一个最初在Audioset数据集上训练的模型继续进行预训练。

任务和数据集描述

我们在六个数据集上评估了voc2vec-as-pt：ASVP-ESD、ASPV-ESD（婴儿）、CNVVE、非语言发声数据集、Donate a Cry、VIVAE。

下表报告了上述六个数据集上未加权平均召回率（UAR）和F1宏观指标的平均性能。

可用模型

💻 使用示例

基础用法

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-as-pt")
feature_extractor = AutoFeatureExtractor.from_pretrained("alkiskoudounas/voc2vec-as-pt")

## 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

📄 许可证

本项目采用Apache-2.0许可证。

📖 BibTeX引用和引用信息

@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}}