Wav2vec2 Large Superb Sid

🚀 用于说话人识别的Wav2Vec2-Large模型

本模型是基于Wav2Vec2-Large的说话人识别模型，能够精准对语音进行说话人身份分类，在说话人识别领域具有重要应用价值。

🚀 快速开始

本模型可通过音频分类管道使用，也可直接调用模型进行推理。以下是具体使用示例。

✨ 主要特性

• 模型移植：这是 S3PRL的Wav2Vec2用于SUPERB说话人识别任务 的移植版本。
• 基础模型：基于 wav2vec2-large-lv60 模型，该模型在16kHz采样的语音音频上进行了预训练，使用时请确保输入语音也为16kHz采样。
• 任务与数据集：说话人识别（SI）将每个语音片段分类为其说话人的身份，作为多类分类任务，采用了广泛使用的 VoxCeleb1 数据集。

📦 安装指南

文档未提供具体安装步骤，暂不展示。

💻 使用示例

基础用法

你可以通过音频分类管道使用该模型：

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "si", split="test")

classifier = pipeline("audio-classification", model="superb/wav2vec2-large-superb-sid")
labels = classifier(dataset[0]["file"], top_k=5)

高级用法

也可以直接使用该模型：

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor

def map_to_array(example):
    speech, _ = librosa.load(example["file"], sr=16000, mono=True)
    example["speech"] = speech
    return example

# load a demo dataset and read audio files
dataset = load_dataset("anton-l/superb_demo", "si", split="test")
dataset = dataset.map(map_to_array)

model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-large-superb-sid")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-large-superb-sid")

# compute attention masks and normalize the waveform if needed
inputs = feature_extractor(dataset[:2]["speech"], sampling_rate=16000, padding=True, return_tensors="pt")

logits = model(**inputs).logits
predicted_ids = torch.argmax(logits, dim=-1)
labels = [model.config.id2label[_id] for _id in predicted_ids.tolist()]

📚 详细文档

模型描述

这是 S3PRL的Wav2Vec2用于SUPERB说话人识别任务 的移植版本。基础模型是 wav2vec2-large-lv60，它在16kHz采样的语音音频上进行了预训练。使用模型时，请确保输入的语音也采样为16kHz。更多信息请参考 SUPERB: Speech processing Universal PERformance Benchmark。

任务和数据集描述

说话人识别（SI）将每个语音片段分类为其说话人的身份，作为多类分类任务，其中说话人在训练和测试中都在同一个预定义集合中。采用了广泛使用的 VoxCeleb1 数据集。有关原始模型的训练和评估说明，请参考 S3PRL下游任务README。

评估结果

评估指标为准确率。

BibTeX引用和引用信息

@article{yang2021superb,
  title={SUPERB: Speech processing Universal PERformance Benchmark},
  author={Yang, Shu-wen and Chi, Po-Han and Chuang, Yung-Sung and Lai, Cheng-I Jeff and Lakhotia, Kushal and Lin, Yist Y and Liu, Andy T and Shi, Jiatong and Chang, Xuankai and Lin, Guan-Ting and others},
  journal={arXiv preprint arXiv:2105.01051},
  year={2021}
}

🔧 技术细节

文档未提供具体技术细节，暂不展示。

📄 许可证

本项目采用Apache 2.0许可证。