Test Audio

🚀 S2T-SMALL-COVOST2-FR-EN-ST

s2t-small-covost2-fr-en-st は、エンドツーエンドの音声翻訳（ST）用に学習された音声からテキストへのTransformer（S2T）モデルです。この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フランス語の音声を英語のテキストに翻訳するために使用できます。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自動音声認識（ASR）と音声翻訳（ST）用に設計された、Transformerベースのseq2seq（エンコーダ - デコーダ）モデルです。音声入力をエンコーダに入力する前に、畳み込みダウンサンプラーを使用して音声入力の長さを3/4に短縮します。このモデルは、標準的な自己回帰的な交差エントロピー損失で学習され、自己回帰的に文字起こし/翻訳を生成します。

📦 インストール

このモデルを使用するには、torchaudio と sentencepiece パッケージが必要です。これらを追加の音声依存関係としてインストールするには、pip install transformers"[speech, sentencepiece]" を実行するか、パッケージを個別にインストールするには pip install torchaudio sentencepiece を実行してください。

💻 使用例

基本的な使用法

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset
import soundfile as sf

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-covost2-fr-en-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-fr-en-st")

def map_to_array(batch):
    speech, _ = sf.read(batch["file"])
    batch["speech"] = speech
    return batch

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

inputs = processor(
    ds["speech"][0],
    sampling_rate=48_000,
    return_tensors="pt"
)
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"])

translation = processor.batch_decode(generated_ids, skip_special_tokens=True)

注意事項

⚠️ 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。

💡 使用建议

これは標準的なシーケンス-to-シーケンスのTransformerモデルであるため、音声特徴量をモデルに渡すことで generate メソッドを使用して文字起こしを生成できます。

📚 ドキュメント

モデルの説明

S2Tは、エンドツーエンドの自動音声認識（ASR）と音声翻訳（ST）用に設計された、Transformerベースのseq2seq（エンコーダ - デコーダ）モデルです。音声入力をエンコーダに入力する前に、畳み込みダウンサンプラーを使用して音声入力の長さを3/4に短縮します。このモデルは、標準的な自己回帰的な交差エントロピー損失で学習され、自己回帰的に文字起こし/翻訳を生成します。

学習データ

s2t-small-covost2-fr-en-st は、CoVoST2 のフランス語 - 英語のサブセットで学習されています。CoVoSTは、Common Voice に基づく大規模な多言語STコーパスで、これまでで最大のオープンデータセットを使用したST研究を促進するために作成されました。

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、文字ベースのSentencePiece語彙を使用してトークン化されます。

学習

このモデルは、標準的な自己回帰的な交差エントロピー損失と 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、デコーダは自己回帰的に文字起こしを生成します。モデルの学習を加速し、より良いパフォーマンスを得るために、エンコーダは英語のASR用に事前学習されています。

評価結果

CoVOST2のfr-enのテスト結果（BLEUスコア）：26.25

BibTeX引用

@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。