语言: 中文 数据集:

• superb 标签:
• 语音
• 音频
• wav2vec2 许可证: apache-2.0

用于意图分类的Wav2Vec2-Large模型

模型描述

这是S3PRL的Wav2Vec2模型在SUPERB意图分类任务上的移植版本。

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

意图分类(IC)将话语归类到预定义的类别中以确定说话者的意图。SUPERB使用流畅语音命令数据集，其中每条话语都标注有三个意图标签：动作、对象和位置。

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

可直接按以下方式使用该模型：

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor

def map_to_array(example):
    speech, _ = librosa.load(example["file"], sr=16000, mono=True)
    example["speech"] = speech
    return example

# 加载演示数据集并读取音频文件
dataset = load_dataset("anton-l/superb_demo", "ic", split="test")
dataset = dataset.map(map_to_array)

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

# 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

action_ids = torch.argmax(logits[:, :6], dim=-1).tolist()
action_labels = [model.config.id2label[_id] for _id in action_ids]

object_ids = torch.argmax(logits[:, 6:20], dim=-1).tolist()
object_labels = [model.config.id2label[_id + 6] for _id in object_ids]

location_ids = torch.argmax(logits[:, 20:24], dim=-1).tolist()
location_labels = [model.config.id2label[_id + 20] for _id in location_ids]

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、纪柏翰、庄永松、赖正一等},
  journal={arXiv预印本 arXiv:2105.01051},
  year={2021}
}