Wav2vecbert2 Filledpause

🚀 填充停顿的帧分类模型

本模型可基于填充停顿（如 “eee”、“errm” 等）的存在情况，对音频中每个 20 毫秒的帧进行分类。

🚀 快速开始

此模型用于填充停顿的帧分类，通过对音频帧的分析判断是否存在填充停顿。

✨ 主要特性

• 支持斯洛文尼亚语（sl）、克罗地亚语（hr）、塞尔维亚语（sr）、捷克语（cs）和波兰语（pl）。
• 基于 facebook/w2v-bert-2.0 基础模型。
• 适用于音频分类任务。
• 使用 F1、召回率和精确率作为评估指标。

📦 安装指南

文档中未提及安装相关内容，故跳过此章节。

💻 使用示例

基础用法

from transformers import AutoFeatureExtractor, Wav2Vec2BertForAudioFrameClassification
from datasets import Dataset, Audio
import torch
import numpy as np
from pathlib import Path

device = torch.device("cuda")
model_name = "classla/wav2vecbert2-filledPause"
feature_extractor = AutoFeatureExtractor.from_pretrained(model_name)
model = Wav2Vec2BertForAudioFrameClassification.from_pretrained(model_name).to(device)

ds = Dataset.from_dict(
    {
        "audio": [
            "/cache/peterr/mezzanine_resources/filled_pauses/data/dev/Iriss-J-Gvecg-P500001-avd_2082.293_2112.194.wav"
        ],
    }
).cast_column("audio", Audio(sampling_rate=16_000, mono=True))


def frames_to_intervals(
    frames: list[int],
    drop_short=True,
    drop_initial=True,
    drop_final=True,
    short_cutoff_s=0.08,
) -> list[tuple[float]]:
    """Transforms a list of ones or zeros, corresponding to annotations on frame
    levels, to a list of intervals ([start second, end second]).

    Allows for additional filtering on duration (false positives are often
    short) and start times (false positives starting at 0.0 are often an
    artifact of poor segmentation).

    :param list[int] frames: Input frame labels
    :param bool drop_short: Drop everything shorter than short_cutoff_s,
        defaults to True
    :param bool drop_initial: Drop predictions starting at 0.0, defaults to True
    :param bool drop_final: Drop predictions ending at audio end, defaults to True
    :param float short_cutoff_s: Duration in seconds of shortest allowable
        prediction, defaults to 0.08

    :return list[tuple[float]]: List of intervals [start_s, end_s]
    """
    from itertools import pairwise
    import pandas as pd

    results = []
    ndf = pd.DataFrame(
        data={
            "time_s": [0.020 * i for i in range(len(frames))],
            "frames": frames,
        }
    )
    ndf = ndf.dropna()
    indices_of_change = ndf.frames.diff()[ndf.frames.diff() != 0].index.values
    for si, ei in pairwise(indices_of_change):
        if ndf.loc[si : ei - 1, "frames"].mode()[0] == 0:
            pass
        else:
            results.append(
                (
                    round(ndf.loc[si, "time_s"], 3),
                    round(ndf.loc[ei, "time_s"], 3),
                )
            )
    if drop_short and (len(results) > 0):
        results = [i for i in results if (i[1] - i[0] >= short_cutoff_s)]
    if drop_initial and (len(results) > 0):
        results = [i for i in results if i[0] != 0.0]
    if drop_final and (len(results) > 0):
        results = [i for i in results if i[1] != 0.02 * len(frames)]
    return results


def evaluator(chunks):
    sampling_rate = chunks["audio"][0]["sampling_rate"]
    with torch.no_grad():
        inputs = feature_extractor(
            [i["array"] for i in chunks["audio"]],
            return_tensors="pt",
            sampling_rate=sampling_rate,
        ).to(device)
        logits = model(**inputs).logits
    y_pred = np.array(logits.cpu()).argmax(axis=-1)
    intervals = [frames_to_intervals(i) for i in y_pred]
    return {"y_pred": y_pred.tolist(), "intervals": intervals}


ds = ds.map(evaluator, batched=True)
print(ds["y_pred"][0])
# Prints a list of 20ms frames: [0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,0....]
# with 0 indicating no filled pause detected in that frame

print(ds["intervals"][0])
# Prints the identified intervals as a list of [start_s, ends_s]:
# [[0.08, 0.28 ], ...]

📚 详细文档

训练数据

模型在人类标注的斯洛文尼亚语语音语料库 ROG - Artur 上进行训练。训练集的录音被分割成长度最多为 30 秒的片段。

评估

尽管模型的输出是一系列表示 20 毫秒帧的 0 或 1，但评估是在事件级别进行的；连续输出为 1 的片段会被合并为一个事件。当真实事件和预测事件部分重叠时，将其计为真阳性。我们报告了正类的精确率、召回率和 F1 分数。

ROG 语料库评估

ParlaSpeech 语料库评估

对于 ParlaSpeech 集合 中的每种语言，人工标注员对 400 个实例进行了采样和标注。

由于 ParlaSpeech 语料库太大，无法像 ROG 语料库那样进行手动分割，因此在推理时观察到了一些失败模式。研究发现，后处理可以改善结果。观察到误报是由不恰当的音频分割引起的，因此禁用在音频开始处开始或在音频结束处结束的预测可能会有帮助。另一种失败模式是预测出非常短的事件，因此可以安全地忽略非常短的预测。

添加后处理后，模型达到了以下指标：

有关后处理的详细信息，请参阅上述代码片段中的 frames_to_intervals 函数。

🔧 技术细节

本模型基于 facebook/w2v-bert-2.0 基础模型进行训练，通过对音频帧的特征提取和分类，实现填充停顿的检测。在评估时，将连续的正预测合并为事件，并使用后处理方法提高性能。

📄 许可证

本模型使用 Apache - 2.0 许可证。

📖 引用

暂未提供，敬请期待。