license: apache-2.0 tags:

• 非语言发声
• 音频分类
• 婴儿啼哭 model-index:
• name: voc2vec-as-pt results: [] language:
• en pipeline_tag: audio-classification library_name: transformers

voc2vec-as-pt

voc2vec 是一个专门为非语言人类数据设计的基础模型。

我们使用了包含约125小时非语言音频的10个数据集，并预训练了一个类似Wav2Vec2的模型。

模型描述

Voc2vec基于wav2vec 2.0框架构建，并遵循其预训练设置。 预训练数据集包括：AudioSet（发声）、FreeSound（婴儿）、HumanVoiceDataset、NNIME、NonSpeech7K、ReCANVo、SingingDatabase、TUT（婴儿）、VocalSketch、VocalSound。 该模型从一个最初在Audioset数据集上训练的模型继续预训练。

任务和数据集描述

我们在六个数据集上评估了voc2vec-as-pt：ASVP-ESD、ASPV-ESD（婴儿）、CNVVE、非语言发声数据集、Donate a Cry、VIVAE。

下表报告了在上述六个数据集上的平均性能，以未加权平均召回率（UAR）和F1宏平均值为指标。

可用模型

使用示例

您可以直接以下列方式使用该模型：

import torch
import librosa
from transformers import AutoModelForAudioClassification, AutoFeatureExtractor

## 加载音频文件
audio_array, sr = librosa.load("path_to_audio.wav", sr=16000)

## 加载模型和特征提取器
model = AutoModelForAudioClassification.from_pretrained("alkiskoudounas/voc2vec-as-pt")
feature_extractor = AutoFeatureExtractor.from_pretrained("alkiskoudounas/voc2vec-as-pt")

## 提取特征
inputs = feature_extractor(audio_array.squeeze(), sampling_rate=feature_extractor.sampling_rate, padding=True, return_tensors="pt")

## 计算logits
logits = model(**inputs).logits

BibTeX条目和引用信息

@INPROCEEDINGS{koudounas2025icassp,
  author={Koudounas, Alkis and La Quatra, Moreno and Siniscalchi, Sabato Marco and Baralis, Elena},
  booktitle={ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, 
  title={voc2vec: A Foundation Model for Non-Verbal Vocalization}, 
  year={2025},
  volume={},
  number={},
  pages={1-5},
  keywords={Pediatrics;Accuracy;Foundation models;Benchmark testing;Signal processing;Data models;Acoustics;Speech processing;Nonverbal vocalization;Representation Learning;Self-Supervised Models;Pre-trained Models},
  doi={10.1109/ICASSP49660.2025.10890672}}