wav2vec2-base-superb-ks

wav2vec2-base-superb-ks 项目介绍

wav2vec2-base-superb-ks 是一个基于 Wav2Vec2 模型特性的语音处理项目，专注于关键字识别任务。这个模型是从 S3PRL 项目中移植过来的，专门为 SUPERB 关键字识别任务优化。

模型描述

wav2vec2-base-superb-ks 是基于 Facebook 的 wav2vec2-base 模型开发的，预训练时使用的是采样率为 16kHz 的语音数据。用户在使用这个模型时，需要确保输入的语音也为 16kHz 采样率。该模型有助于识别和分类特定的语音命令，从而实现快速准确的语音指令处理。

有关该模型的更多信息可以参考 SUPERB: Speech processing Universal PERformance Benchmark。

任务和数据集说明

关键字识别（Keyword Spotting，简称 KS）任务是通过将语音片段分类为预定义的一组关键词，从而识别出特定的语音指令。这一任务通常在设备上进行，以实现快速响应。因此，模型的准确性、大小和推理时间都是至关重要的。SUPERB 采用广泛使用的 Speech Commands 数据集 v1.0进行这一任务的训练和评估。该数据集包含十类关键词、一个用于沉默检测的类别，以及包含误报的未知类别。

有关原始模型的训练和评估说明，可以参考 S3PRL 下游任务 README。

使用示例

用户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/wav2vec2-base-superb-ks")
labels = classifier(dataset[0]["file"], top_k=5)

也可以直接调用模型：

import torch
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, 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

# 加载数据集
dataset = load_dataset("anton-l/superb_demo", "ks", split="test")
dataset = dataset.map(map_to_array)

model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-base-superb-ks")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-base-superb-ks")

# 计算注意力掩码并在需要时归一化波形
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()]

评估结果

评估的指标是准确率。

	s3prl	transformers
测试	`0.9623`	`0.9643`

引用格式信息

如果需要引用该项目，使用以下 BibTeX 条目：

@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}
}