「英語のアクセント分類のための機械学習パイプラインの構築」

Building a machine learning pipeline for English accent classification

オーディオベースの機械学習分類モデルを構築し、一般的な英語のアクセントに対応する方法と、Hugging Faceを通じて実現するためのステップバイステップガイド

ますますつながりのある世界では、コミュニケーションには制約がありません。異なるコミュニティが国境や文化を超えて交流する中で、アクセントの理解は効果的なコミュニケーションの重要な要素となっています。正確な英語のアクセント分類システムは、言語の障壁を取り除き、音声認識システムを向上させ、言語学習ツールを改善し、個別のユーザーエクスペリエンスにも役立つ潜在能力を持っています。以下では、このようなシステムを開発する方法について詳しく説明し、円滑かつ包括的なコミュニケーションを促進するための多くの応用例を明らかにします。

データの選択、サンプリング、変換

データの選択、サンプリング、変換に関する分析は、KaggleのバージョンであるMozillaのCommon Voiceデータセットに基づいています。このデータセットには、さまざまな話者の人口統計情報（話者のアクセントを含む）を含む約500時間の音声録音が含まれています。データセットはCC0：パブリックドメインのライセンスで配布されています。

アクセントに基づくデータサンプルの分布：

• イクイノックスに会いましょう：ニューラルネットワークとsciMLのためのJAXライブラリ
• 「CityDreamerと出会う：無限の3D都市のための構成的生成モデル」
• Google AIは、高いベンチマークパフォーマンスを実現するために、線形モデルの特性を活用した長期予測のための高度な多変量モデル、TSMixerを導入します

アメリカ            30997イギリス           14938インド               4490オーストラリア       4287カナダ             3901スコットランド       1556アフリカ             1173ニュージーランド     1153アイルランド         944フィリピン         326ウェールズ           262バミューダ           196マレーシア           182シンガポール         124香港                 99南大西洋             83

この分布に基づいて、最も一般的な5つのアクセント（アメリカ、イギリス、インド、オーストラリア、カナダ）を選択し、サンプル分布をアンダーサンプリングしました：

# 全てのマイナリティクラス以外をランダムにアンダーサンプリングrus = RandomUnderSampler(random_state=83, sampling_strategy='not minority')y = dd[['label']]dd = dd.drop(['label']…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!