language: zh datasets:

• superb tags:
• 语音
• 音频分类
• hubert license: apache-2.0

用于意图分类的Hubert-Base模型

模型描述

这是S3PRL的Hubert模型在SUPERB意图分类任务上的移植版本。

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

任务与数据集说明

意图分类（IC）将话语归类至预定义的类别，以确定说话者的意图。SUPERB采用流利语音命令数据集，每条话语标注有三个意图标签：动作、对象和位置。

原始模型的训练与评估方法请参阅S3PRL下游任务说明。

使用示例

可直接按以下方式使用模型：

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", "ic", split="test")
dataset = dataset.map(map_to_array)

model = HubertForSequenceClassification.from_pretrained("superb/hubert-base-superb-ic")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-base-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 and 纪柏涵 and 庄永松 and 赖正一 and 拉科蒂亚 and 林毅 and 刘安迪 and 石家彤 and 常轩凯 and 林冠廷等},
  journal={arXiv预印本 arXiv:2105.01051},
  year={2021}
}