基于Wav2Vec2的说话人识别模型

模型描述

本模型是S3PRL的Wav2Vec2在SUPERB说话人识别任务的移植版本。

基础模型采用wav2vec2-base，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采用16kHz采样率。

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)任务将每段语音按其说话人身份进行多分类，训练集和测试集使用相同的预定义说话人集合。本模型采用广泛使用的VoxCeleb1数据集。

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本模型：

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/wav2vec2-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 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", "si", split="test")
dataset = dataset.map(map_to_array)

model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-base-superb-sid")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-base-superb-sid")

# 计算注意力掩码并按需标准化波形
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、赖政杰、Lakhotia, Kushal、林毅德、刘安迪、石家同、张轩恺、林冠廷等},
  journal={arXiv预印本 arXiv:2105.01051},
  year={2021}
}