japanese-hubert-base

japanese-hubert-base

日语HuBERT Base自监督语音学习模型

rinna Co., Ltd.发布的日语HuBERT Base模型,采用与原始HuBERT相同的12层变换器结构,通过ReazonSpeech语料库的19000小时语音数据进行训练,支持自监督语音表示学习。模型提供详尽的训练配置和论文参考,便于研究和应用。使用Transformers库可方便地实现日语语音处理。

HuBERT开源项目模型Githubrinna/japanese-hubert-baseHuggingface日语语音模型ReazonSpeech自我监督学习

项目介绍:Japanese HuBERT Base

japanese-hubert-base 是由 rinna 株式会社 训练的一个日语 HuBERT 基础模型。这个模型以其独特的训练结构和方法,致力于提升日语语音处理的表现。

模型概述

Japanese HuBERT Base 模型的架构与 原始 HuBERT 基础模型 相同,包含 12 个 Transformer 层,每层具有 12 个注意力头。这个模型使用来自官方库的代码进行训练,详细的训练配置可以在此以及原始论文中找到。

训练细节

该模型使用大约 19,000 小时的日文语音语料库 ReazonSpeech v1 进行训练。ReazonSpeech 是一个广泛使用的语料库,提供了丰富的日语语音数据。这确保了模型在处理真实世界任务时能够有较好的表现。

主要贡献者

模型的开发得到了以下几个专家的贡献:

如何使用模型

用户可以通过以下 Python 代码来使用这个模型:

import soundfile as sf from transformers import AutoFeatureExtractor, AutoModel model_name = "rinna/japanese-hubert-base" feature_extractor = AutoFeatureExtractor.from_pretrained(model_name) model = AutoModel.from_pretrained(model_name) model.eval() raw_speech_16kHz, sr = sf.read(audio_file) inputs = feature_extractor( raw_speech_16kHz, return_tensors="pt", sampling_rate=sr, ) outputs = model(**inputs) print(f"Input: {inputs.input_values.size()}") # [1, #samples] print(f"Output: {outputs.last_hidden_state.size()}") # [1, #frames, 768]

用户还可以通过 这个链接 获取 fairseq 的 checkpoint 文件。

参考文献

在使用该模型或发表相关研究时,用户可以引用以下文献:

@misc{rinna-japanese-hubert-base, title = {rinna/japanese-hubert-base}, author = {Hono, Yukiya and Mitsui, Kentaro and Sawada, Kei}, url = {https://huggingface.co/rinna/japanese-hubert-base} } @inproceedings{sawada2024release, title = {Release of Pre-Trained Models for the {J}apanese Language}, author = {Sawada, Kei and Zhao, Tianyu and Shing, Makoto and Mitsui, Kentaro and Kaga, Akio and Hono, Yukiya and Wakatsuki, Toshiaki and Mitsuda, Koh}, booktitle = {Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)}, month = {5}, year = {2024}, pages = {13898--13905}, url = {https://aclanthology.org/2024.lrec-main.1213}, note = {\url{https://arxiv.org/abs/2404.01657}} }

此外,也可以参考以下论文了解 HuBERT 的详细信息:

@article{hsu2021hubert, author = {Hsu, Wei-Ning and Bolte, Benjamin and Tsai, Yao-Hung Hubert and Lakhotia, Kushal and Salakhutdinov, Ruslan and Mohamed, Abdelrahman}, journal = {IEEE/ACM Transactions on Audio, Speech, and Language Processing}, title = {HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units}, year = {2021}, volume = {29}, pages = {3451-3460}, doi = {10.1109/TASLP.2021.3122291} }

授权许可

该模型以 Apache 2.0 授权发布,用户可以根据许可要求自由使用与分发。

编辑推荐精选

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

下拉加载更多