Assignment1 Maria

🚀 S2T-SMALL-LIBRISPEECH-ASR

s2t-small-librispeech-asr は、自動音声認識（ASR）用にトレーニングされた音声からテキストへの変換トランスフォーマー（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。

✨ 主な機能

S2Tはエンドツーエンドのシーケンストゥシーケンストランスフォーマーモデルです。標準的な自己回帰型の交差エントロピー損失でトレーニングされ、自己回帰的に文字起こしを生成します。

📦 インストール

このモデルを使用するには、以下の依存関係をインストールする必要があります。 pip install transformers"[speech, sentencepiece]" または、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 torchaudio sentencepiece

💻 使用例

基本的な使用法

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)

高度な使用法

LibriSpeechテストでの評価

以下のスクリプトは、このモデルを LibriSpeech の "clean" および "other" テストデータセットで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）:

📚 ドキュメント

トレーニングデータ

S2T-SMALL-LIBRISPEECH-ASRは、LibriSpeech ASRコーパス でトレーニングされています。このデータセットは、約1000時間の16kHzの読み上げ英語音声で構成されています。

トレーニング手順

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。

トレーニング

モデルは、標準的な自己回帰型の交差エントロピー損失と SpecAugment を使用してトレーニングされます。エンコーダは音声特徴量を受け取り、デコーダは自己回帰的に文字起こしを生成します。

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},
}

🔧 技術詳細

📄 ライセンス

このモデルはMITライセンスの下で公開されています。