Assignment1 Jane

🚀 S2T-SMALL-LIBRISPEECH-ASR

s2t-small-librispeech-asrは、自動音声認識（ASR）のために学習された音声からテキストへの変換（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、音声認識タスクに使用できます。以下のセクションでは、モデルの使用方法や評価方法などを説明します。

✨ 主な機能

• エンドツーエンドの音声認識（ASR）を実行できます。
• 標準的な自己回帰型のクロスエントロピー損失を使用して学習されています。

📦 インストール

このモデルを使用するには、必要なパッケージをインストールする必要があります。以下のコマンドを実行して、追加の音声関連の依存関係をインストールできます。

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

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

モデルの説明

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クロスエントロピー損失を使用して学習され、自動的に文字起こしを生成します。

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。

🔧 技術詳細

学習データ

S2T-SMALL-LIBRISPEECH-ASRは、LibriSpeech ASRコーパスで学習されています。このデータセットは、約1000時間の16kHzの英語の読み上げ音声で構成されています。

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、各サンプルに対して発話レベルの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、標準的な自己回帰型のクロスエントロピー損失を使用し、SpecAugmentを用いて学習されます。エンコーダは音声特徴量を受け取り、デコーダは自動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},
}

📄 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。