language: zh datasets:

• superb tags:
• 语音
• 音频
• wav2vec2
• 音频分类 license: apache-2.0 widget:
• example_title: 语音指令 "down" src: https://cdn-media.huggingface.co/speech_samples/keyword_spotting_down.wav
• example_title: 语音指令 "go" src: https://cdn-media.huggingface.co/speech_samples/keyword_spotting_go.wav

用于关键词检测的Wav2Vec2-Large模型

模型描述

这是S3PRL的Wav2Vec2模型在SUPERB关键词检测任务上的移植版本。

基础模型为wav2vec2-large-lv60，该模型基于16kHz采样的语音音频进行预训练。使用时请确保输入语音同样以16kHz采样。

更多信息请参考SUPERB: 语音处理通用性能基准

任务与数据集描述

关键词检测(KS)通过将语音片段分类到预定义的词汇集合中，来检测预先注册的关键词。该任务通常在设备端执行以实现快速响应，因此准确率、模型大小和推理时间都至关重要。SUPERB使用广泛采用的语音指令数据集v1.0，包含10个关键词类别、1个静音类别和1个未知类别（用于包含误报）。

原始模型的训练和评估说明请参考S3PRL下游任务README。

使用示例

可通过音频分类管道使用模型：

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-large-superb-ks")
labels = classifier(dataset[0]["file"], top_k=5)

或直接调用模型：

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

# 加载示例数据集并读取音频文件
dataset = load_dataset("anton-l/superb_demo", "ks", split="test")
dataset = dataset.map(map_to_array)

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

# 计算注意力掩码并按需标准化波形
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

评估指标为准确率。

BibTeX条目及引用信息

@article{yang2021superb,
  title={SUPERB: 语音处理通用性能基准},
  author={杨书文 and 纪柏涵 and 庄永松 and 赖正一 and 库沙尔·拉克霍提亚 and 林毅 and 刘安迪 and 石家通 and 常轩凯 and 林冠廷等},
  journal={arXiv预印本 arXiv:2105.01051},
  year={2021}
}