模型说明

这是专为SUPERB关键词检测任务移植的S3PRL Wav2Vec2模型版本。基础模型采用16kHz采样率的wav2vec2-base，使用时需确保输入语音同为16kHz采样。详见论文SUPERB：语音处理通用性能基准。

任务与数据集

关键词检测(KS)通过将语音分类到预定义词表来识别注册关键词。该任务通常在设备端运行，要求兼顾准确率、模型体积和推理速度。SUPERB采用广泛使用的Speech Commands v1.0数据集，包含10个关键词类别、静音类及未知类（用于误报检测）。原始模型训练方法详见S3PRL下游任务说明。

使用示例

通过音频分类管道调用：

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "ks", split="test")
classifier = pipeline("audio-classification", model="superb/wav2vec2-base-superb-ks")
labels = classifier(dataset[0]["file"], top_k=5)

或直接调用模型：

import torch
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor
from torchaudio.sox_effects import apply_effects_file

effects = [["channels", "1"], ["rate", "16000"], ["gain", "-3.0"]]
def map_to_array(example):
    speech, _ = apply_effects_file(example["file"], effects)
    example["speech"] = speech.squeeze(0).numpy()
    return example

dataset = load_dataset("anton-l/superb_demo", "ks", split="test")
dataset = dataset.map(map_to_array)

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

inputs = feature_extractor(dataset[:4]["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

准确率指标对比：

文献引用

@article{yang2021superb,
  title={SUPERB: 语音处理通用性能基准},
  author={杨书文等},
  journal={arXiv预印本},
  year={2021}
}