语言：英文
数据集：

• superb

标签：

• 语音
• 音频
• hubert
• 音频分类

示例：

• 示例标题：VoxCeleb 说话人 id10003
  来源：https://cdn-media.huggingface.co/speech_samples/VoxCeleb1_00003.wav
• 示例标题：VoxCeleb 说话人 id10004
  来源：https://cdn-media.huggingface.co/speech_samples/VoxCeleb_00004.wav

许可证：apache-2.0

用于说话人识别的Hubert-Base模型

模型描述

这是S3PRL的Hubert模型针对SUPERB说话人识别任务的移植版本。

基础模型为hubert-base-ls960，该模型基于16kHz采样的语音音频进行预训练。使用该模型时，请确保您的语音输入同样以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

说话人识别（SI）将每个语音片段按其说话人身份进行多分类，训练集和测试集中的说话人均来自同一预定义集合。广泛使用的VoxCeleb1数据集被采用。

关于原始模型的训练和评估说明，请参阅S3PRL下游任务README。

使用示例

您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", "si", split="test")

classifier = pipeline("audio-classification", model="superb/hubert-base-superb-sid")
labels = classifier(dataset[0]["file"], top_k=5)

或直接使用模型：

import torch
import librosa
from datasets import load_dataset
from transformers import HubertForSequenceClassification, 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", "si", split="test")
dataset = dataset.map(map_to_array)

model = HubertForSequenceClassification.from_pretrained("superb/hubert-base-superb-sid")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-base-superb-sid")

# 计算注意力掩码并按需归一化波形
inputs = feature_extractor(dataset[:2]["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 Jeff and 拉克霍提亚, 库沙尔 and 林毅德 Y and 刘安迪 T and 石家同 and 张轩凯 and 林冠廷 and 其他},
  journal={arXiv预印本 arXiv:2105.01051},
  year={2021}
}