许可协议：apache-2.0
标签：

• 非语言发声
• 音频分类
• 婴儿啼哭
  模型索引：
• 名称：voc2vec
  结果：[]
  语言：
• 英语
  管道标签：音频分类
  库名称：transformers

voc2vec

voc2vec是专为非语言人类数据设计的基础模型。

我们采用了涵盖约125小时非语言音频的10个数据集集合，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。

任务与数据集描述

我们在六个数据集上评估voc2vec：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")  
feature_extractor = AutoFeatureExtractor.from_pretrained("alkiskoudounas/voc2vec")  

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

## 计算逻辑值  
logits = model(**inputs).logits  

BibTeX条目与引用信息

@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}}