Wav2vec2 Large Robust 24 Ft Age Gender

🚀 基于Wav2vec 2.0（24层）的年龄和性别识别模型

本模型旨在解决音频数据中年龄和性别识别的问题，通过输入原始音频信号，输出年龄和性别的预测结果，为音频分析领域提供了有效的解决方案。

🚀 快速开始

此模型以原始音频信号作为输入，输出年龄预测值（范围约为 0...1，对应 0...100 岁）以及性别预测结果，该结果以概率形式表示为儿童、女性或男性。此外，模型还会提供最后一个Transformer层的池化状态。

该模型是通过在 aGender、Mozilla Common Voice、Timit 和 Voxceleb 2 数据集上对 Wav2Vec2-Large-Robust 进行微调而创建的。在这个版本的模型中，我们对所有 24 个Transformer层进行了训练。

模型的 ONNX 导出文件可从 doi:10.5281/zenodo.7761387 获取。更多详细信息请参考相关 论文 和 教程。

✨ 主要特性

• 多数据集训练：使用多个知名音频数据集进行训练，提高了模型的泛化能力。
• 输出丰富：不仅输出年龄和性别预测，还提供最后一个Transformer层的池化状态。
• 可导出ONNX：支持将模型导出为ONNX格式，方便在不同平台上部署。

📦 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

import numpy as np
import torch
import torch.nn as nn
from transformers import Wav2Vec2Processor
from transformers.models.wav2vec2.modeling_wav2vec2 import (
    Wav2Vec2Model,
    Wav2Vec2PreTrainedModel,
)


class ModelHead(nn.Module):
    r"""Classification head."""

    def __init__(self, config, num_labels):

        super().__init__()

        self.dense = nn.Linear(config.hidden_size, config.hidden_size)
        self.dropout = nn.Dropout(config.final_dropout)
        self.out_proj = nn.Linear(config.hidden_size, num_labels)

    def forward(self, features, **kwargs):

        x = features
        x = self.dropout(x)
        x = self.dense(x)
        x = torch.tanh(x)
        x = self.dropout(x)
        x = self.out_proj(x)

        return x


class AgeGenderModel(Wav2Vec2PreTrainedModel):
    r"""Speech emotion classifier."""

    def __init__(self, config):

        super().__init__(config)

        self.config = config
        self.wav2vec2 = Wav2Vec2Model(config)
        self.age = ModelHead(config, 1)
        self.gender = ModelHead(config, 3)
        self.init_weights()

    def forward(
            self,
            input_values,
    ):

        outputs = self.wav2vec2(input_values)
        hidden_states = outputs[0]
        hidden_states = torch.mean(hidden_states, dim=1)
        logits_age = self.age(hidden_states)
        logits_gender = torch.softmax(self.gender(hidden_states), dim=1)

        return hidden_states, logits_age, logits_gender



# load model from hub
device = 'cpu'
model_name = 'audeering/wav2vec2-large-robust-24-ft-age-gender'
processor = Wav2Vec2Processor.from_pretrained(model_name)
model = AgeGenderModel.from_pretrained(model_name)

# dummy signal
sampling_rate = 16000
signal = np.zeros((1, sampling_rate), dtype=np.float32)


def process_func(
    x: np.ndarray,
    sampling_rate: int,
    embeddings: bool = False,
) -> np.ndarray:
    r"""Predict age and gender or extract embeddings from raw audio signal."""

    # run through processor to normalize signal
    # always returns a batch, so we just get the first entry
    # then we put it on the device
    y = processor(x, sampling_rate=sampling_rate)
    y = y['input_values'][0]
    y = y.reshape(1, -1)
    y = torch.from_numpy(y).to(device)

    # run through model
    with torch.no_grad():
        y = model(y)
        if embeddings:
            y = y[0]
        else:
            y = torch.hstack([y[1], y[2]])

    # convert to numpy
    y = y.detach().cpu().numpy()

    return y


print(process_func(signal, sampling_rate))
#    Age        female     male       child
# [[ 0.33793038 0.2715511  0.2275236  0.5009253 ]]

print(process_func(signal, sampling_rate, embeddings=True))
# Pooled hidden states of last transformer layer
# [[ 0.024444    0.0508722   0.04930823 ...  0.07247854 -0.0697901
#   -0.0170537 ]]

高级用法

文档未提供高级用法示例，暂不展示。

📚 详细文档

文档未提供更多详细说明，暂不展示。

🔧 技术细节

文档未提供具体技术实现细节，暂不展示。

📄 许可证

本模型使用的许可证为 cc-by-nc-sa-4.0。