Wav2vec2 Xls R 2b En To 15

🚀 Wav2Vec2-XLS-R-2B-EN-15

FacebookのWav2Vec2 XLS-Rを音声翻訳用にファインチューニングしたモデルです。

これはSpeechEncoderDecoderModelモデルです。エンコーダはfacebook/wav2vec2-xls-r-2bチェックポイントからウォームスタートされ、デコーダはfacebook/mbart-large-50チェックポイントからウォームスタートされました。その結果、エンコーダ - デコーダモデルはCovost2データセットの15のen -> {lang}翻訳ペアでファインチューニングされました。

このモデルは、話されたen（英語）を以下の書かれた言語{lang}に翻訳できます。

en -> {de, tr, fa, sv-SE, mn, zh-CN, cy, ca, sl, et, id, ar, ta, lv, ja}

詳細については、公式のXLS - R論文のセクション5.1.1を参照してください。

🚀 クイックスタート

✨ 主な機能

• 複数言語に対応した音声翻訳が可能です。
• エンコーダとデコーダがそれぞれ強力なチェックポイントからウォームスタートされ、精度が高いです。

📦 インストール

このREADMEにはインストール手順が記載されていないため、このセクションは省略します。

💻 使用例

基本的な使用法

from datasets import load_dataset
from transformers import pipeline

# select correct `forced_bos_token_id`
MAPPING = {
    "de": 250003,
    "tr": 250023,
    "fa": 250029,
    "sv": 250042,
    "mn": 250037,
    "zh": 250025,
    "cy": 250007,
    "ca": 250005,
    "sl": 250052,
    "et": 250006,
    "id": 250032,
    "ar": 250001,
    "ta": 250044,
    "lv": 250017,
    "ja": 250012,
}
forced_bos_token_id = MAPPING["sv"]

# replace following lines to load an audio file of your choice
librispeech_en = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
audio_file = librispeech_en[0]["file"]

asr = pipeline("automatic-speech-recognition", model="facebook/wav2vec2-xls-r-2b-en-to-15", feature_extractor="facebook/wav2vec2-xls-r-2b-en-to-15")

translation = asr(audio_file, forced_bos_token_id=forced_bos_token_id)

高度な使用法

import torch
from transformers import Speech2Text2Processor, SpeechEncoderDecoderModel
from datasets import load_dataset

model = SpeechEncoderDecoderModel.from_pretrained("facebook/wav2vec2-xls-r-2b-en-to-15")
processor = Speech2Text2Processor.from_pretrained("facebook/wav2vec2-xls-r-2b-en-to-15")

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

# select correct `forced_bos_token_id`
MAPPING = {
    "de": 250003,
    "tr": 250023,
    "fa": 250029,
    "sv": 250042,
    "mn": 250037,
    "zh": 250025,
    "cy": 250007,
    "ca": 250005,
    "sl": 250052,
    "et": 250006,
    "id": 250032,
    "ar": 250001,
    "ta": 250044,
    "lv": 250017,
    "ja": 250012,
}
forced_bos_token_id = MAPPING["sv"]

inputs = processor(ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["array"]["sampling_rate"], return_tensors="pt")
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"], forced_bos_token_id=forced_bos_token)
transcription = processor.batch_decode(generated_ids)

📚 ドキュメント

• デモ：このモデルはこのスペースでテストできます。ターゲット言語を選択し、英語で音声を録音すると、チェックポイントが入力をどれだけうまく翻訳できるかを確認できます。
• 結果：このモデルのCovost2でのパフォーマンスについては、XLS - R (2B) の行を参照してください。

🔧 技術詳細

このREADMEには技術的な詳細が十分に記載されていないため、このセクションは省略します。

📄 ライセンス

このモデルはapache - 2.0ライセンスの下で提供されています。

その他の情報

• サポート言語： | Property | Details | |----------|---------| | サポート言語 | en, de, tr, fa, sv, mn, zh, cy, ca, sl, et, id, ar, ta, lv, ja | | データセット | common_voice, multilingual_librispeech, covost2 | | タグ | speech, xls_r, automatic-speech-recognition, xls_r_translation |

• その他のXLS - Rモデル：

  • Wav2Vec2-XLS-R-300M-EN-15
  • Wav2Vec2-XLS-R-1B-EN-15
  • Wav2Vec2-XLS-R-2B-EN-15
  • Wav2Vec2-XLS-R-2B-22-16