Accent Determinator

🚀 拉美口音判定模型卡片

本模型是一个基于Wav2Vec2的模型，能够根据说话者的口音，将音频分类为波多黎各、哥伦比亚、委内瑞拉、秘鲁或智利口音。

🚀 快速开始

若你想开始使用该模型，可参考如下指引：

• 更多信息资源：GitHub仓库

✨ 主要特性

• 能够精准地将音频按照说话者的口音分类为波多黎各、哥伦比亚、委内瑞拉、秘鲁或智利口音。
• 训练过程轻量级，使用Google Colaboratory Premium GPUs进行训练耗时不到1小时。

📦 安装指南

文档未提及具体安装步骤，故跳过此章节。

💻 使用示例

文档未提供代码示例，故跳过此章节。

📚 详细文档

模型详情

模型描述

本模型是一个基于Wav2Vec2的模型，用于根据说话者的口音，将音频分类为波多黎各、哥伦比亚、委内瑞拉、秘鲁或智利口音。

• 开发者：Henry Savich
• 共享者（可选）：Henry Savich
• 模型类型：语言模型
• 语言（NLP）：西班牙语（es）
• 许可证：openrail
• 基础模型：Wav2Vec2 Base
• 更多信息资源：GitHub仓库

用途

直接用途

将音频片段分类为波多黎各、秘鲁、委内瑞拉、哥伦比亚或智利西班牙语口音。

非预期用途

该模型是基于说话者朗读预先选定的句子进行训练的，因此它并未反映出不同方言之间的词汇差异。

偏差、风险和局限性

大量研究已经探讨了语言模型的偏差和公平性问题（例如，可参考Sheng等人（2021）和Bender等人（2021））。该模型生成的预测结果可能包含针对受保护类别、身份特征以及敏感、社会和职业群体的令人不安和有害的刻板印象。

训练详情

训练数据

OpenSLR 71、72、73、74、75、76

训练过程

预处理

数据按照说话者进行了训练集 - 测试集划分，以防止模型通过匹配声音来获得较高的测试准确率。

速度、规模和时间

在约3000个5秒的音频片段上进行训练，使用Google Colaboratory Premium GPUs进行训练耗时不到1小时。

评估

测试数据、因素和指标

测试数据

OpenSLR 71、72、73、74、75、76 数据集链接

因素

音频质量 - 训练和测试数据的质量高于常见音频的预期质量。

指标

准确率

结果

根据随机的训练 - 测试划分，准确率约为85%。

模型检验

即使按照说话者进行划分，我们的模型在测试集上仍取得了出色的准确率。这很有趣，因为这表明至少在这种粒度下，口音分类比语音识别更容易，而语音识别同样可以轻松满足训练目标。

混淆矩阵显示，巴斯克语是最容易区分的，这是可以预料的，因为它是唯一非西班牙语的语言。在测试集中，波多黎各口音最难识别，但我认为这更多是因为波多黎各的数据最少，而不是口音本身的问题。

我认为，如果在相同的实验中使用相同规模的数据集，但有更多的说话者（这样就不会过度拟合个体声音），我们可以预期接近完美的准确率。

技术规格

模型架构和目标

Wav2Vec2

计算基础设施

Google Colaboratory Pro+

硬件

Google Colaboratory Pro+ Premium GPUS

软件

通过huggingface使用Pytorch

引用

文档未提及具体引用格式，故跳过此章节。

模型卡片作者

Henry Savich

模型卡片联系方式

henry.h.savich@vanderbilt.edu