Hubert Large Superb Ks

🚀 用于关键词检测的Hubert-Large模型

本模型是用于关键词检测的Hubert-Large版本，基于Transformer架构，能够高效准确地识别语音中的关键词，为语音交互等应用提供强大支持。

🚀 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。使用时请确保输入语音的采样率为16kHz。

✨ 主要特性

• 精准识别：基于预训练的hubert-large-ll60k模型，在关键词检测任务上表现出色。
• 适配标准数据集：使用广泛应用的Speech Commands数据集v1.0进行训练和评估。
• 多方式调用：支持通过音频分类管道和直接调用模型两种方式使用。

📦 安装指南

文档未提及安装步骤，可参考相关库（如datasets、transformers、torch、torchaudio等）的官方安装指南进行安装。

💻 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", "ks", split="test")

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

高级用法

也可以直接使用该模型：

import torch
from datasets import load_dataset
from transformers import HubertForSequenceClassification, Wav2Vec2FeatureExtractor
from torchaudio.sox_effects import apply_effects_file

effects = [["channels", "1"], ["rate", "16000"], ["gain", "-3.0"]]
def map_to_array(example):
    speech, _ = apply_effects_file(example["file"], effects)
    example["speech"] = speech.squeeze(0).numpy()
    return example

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

model = HubertForSequenceClassification.from_pretrained("superb/hubert-large-superb-ks")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-large-superb-ks")

# compute attention masks and normalize the waveform if needed
inputs = feature_extractor(dataset[:4]["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Hubert用于SUPERB关键词检测任务 的移植版本。 基础模型是 hubert-large-ll60k，它在16kHz采样的语音音频上进行了预训练。使用该模型时，请确保你的语音输入也是16kHz采样的。 更多信息请参考 SUPERB: 语音处理通用性能基准。

任务和数据集描述

关键词检测（KS）通过将语音分类到预定义的单词集合中来检测预注册的关键词。该任务通常在设备上执行以实现快速响应时间。因此，准确性、模型大小和推理时间都至关重要。SUPERB使用广泛应用的 Speech Commands数据集v1.0 来完成此任务。 该数据集由十个关键词类、一个静音类和一个用于包含误报的未知类组成。 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}
}

📄 许可证

本项目采用Apache-2.0许可证。