Assignment1 Francesco

🚀 S2T-SMALL-LIBRISPEECH-ASR

s2t-small-librispeech-asrは、自動音声認識（ASR）用に学習された音声からテキストへの変換Transformer（S2T）モデルです。 S2Tモデルはこの論文で提案され、 このリポジトリで公開されました。

🚀 クイックスタート

このモデルは、エンドツーエンドの音声認識（ASR）に使用できます。他のS2Tチェックポイントを探すには、モデルハブを参照してください。

使い方

これは標準的なシーケンス-to-シーケンスTransformerモデルなので、音声特徴量をモデルに渡してgenerateメソッドを使用することで、文字起こしを生成できます。

⚠️ 重要提示

Speech2TextProcessorオブジェクトはtorchaudioを使用してフィルタバンク特徴量を抽出します。この例を実行する前に、torchaudioパッケージをインストールしてください。

⚠️ 重要提示

特徴抽出器はtorchaudioに依存し、トークナイザーはsentencepieceに依存します。したがって、サンプルを実行する前にこれらのパッケージをインストールしてください。

以下のように、追加の音声依存関係としてインストールすることも、個別にパッケージをインストールすることもできます。 pip install transformers"[speech, sentencepiece]" または pip install torchaudio sentencepiece

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr")

ds = load_dataset(
    "patrickvonplaten/librispeech_asr_dummy",
    "clean",
    split="validation"
)

input_features = processor(
    ds[0]["audio"]["array"],
    sampling_rate=16_000,
    return_tensors="pt"
).input_features  # Batch size 1
generated_ids = model.generate(input_ids=input_features)

transcription = processor.batch_decode(generated_ids)

リブリスピーチテストでの評価

以下のスクリプトは、LibriSpeechの*"clean"および"other"*テストデータセットでこのモデルを評価する方法を示しています。

from datasets import load_dataset, load_metric
from transformers import Speech2TextForConditionalGeneration, Speech2TextProcessor

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")  # change to "other" for other test dataset
wer = load_metric("wer")

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr").to("cuda")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr", do_upper_case=True)

librispeech_eval = librispeech_eval.map(map_to_array)

def map_to_pred(batch):
    features = processor(batch["audio"]["array"], sampling_rate=16000, padding=True, return_tensors="pt")
    input_features = features.input_features.to("cuda")
    attention_mask = features.attention_mask.to("cuda")

    gen_tokens = model.generate(input_ids=input_features, attention_mask=attention_mask)
    batch["transcription"] = processor.batch_decode(gen_tokens, skip_special_tokens=True)
    return batch

result = librispeech_eval.map(map_to_pred, batched=True, batch_size=8, remove_columns=["speech"])

print("WER:", wer(predictions=result["transcription"], references=result["text"]))

結果（WER）:

✨ 主な機能

S2Tはエンドツーエンドのシーケンス-to-シーケンスTransformerモデルです。標準的な自己回帰的クロスエントロピー損失を使用して学習され、文字起こしを自己回帰的に生成します。

📚 ドキュメント

想定される用途と制限

このモデルは、エンドツーエンドの音声認識（ASR）に使用できます。他のS2Tチェックポイントを探すには、モデルハブを参照してください。

学習データ

S2T-SMALL-LIBRISPEECH-ASRは、約1000時間の16kHzの英語の読み上げ音声から構成されるデータセットであるLibriSpeech ASR Corpusで学習されています。

学習手順

前処理

音声データは、PyKaldiまたはtorchaudioを介してWAV/FLACオーディオファイルから自動的にKaldi互換の80チャンネルのログメルフィルタバンク特徴量を抽出することで前処理されます。さらに、各サンプルに発話レベルのCMVN（ケプストラム平均と分散正規化）が適用されます。

テキストは小文字に変換され、SentencePieceを使用して語彙サイズ10,000でトークン化されます。

学習

モデルは、標準的な自己回帰的クロスエントロピー損失を使用し、SpecAugmentを使用して学習されます。エンコーダは音声特徴量を受け取り、デコーダは文字起こしを自己回帰的に生成します。

BibTeXエントリと引用情報

@inproceedings{wang2020fairseqs2t,
  title = {fairseq S2T: Fast Speech-to-Text Modeling with fairseq},
  author = {Changhan Wang and Yun Tang and Xutai Ma and Anne Wu and Dmytro Okhonko and Juan Pino},
  booktitle = {Proceedings of the 2020 Conference of the Asian Chapter of the Association for Computational Linguistics (AACL): System Demonstrations},
  year = {2020},
}

📄 ライセンス

このモデルはMITライセンスの下で提供されています。

その他の情報

データセット

• librispeech_asr

タグ

• speech
• audio
• automatic-speech-recognition
• hf-asr-leaderboard

モデル指標

ウィジェット例

• Librispeech sample 1
• Librispeech sample 2