S2t Small Covost2 Fr En St

🚀 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）用にトレーニングされた音声からテキストへのTransformer（S2T）モデルです。このモデルは、音声認識と翻訳を一度に行うことができ、特定の言語ペアの翻訳に役立ちます。

🚀 クイックスタート

s2t-small-covost2-fr-en-stモデルは、フランス語の音声を英語のテキストに変換するために使用できます。以下に使用方法の概要を示します。

✨ 主な機能

• エンドツーエンドの音声翻訳（ST）を実行できます。
• 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。
• 標準的な自己回帰的クロスエントロピー損失でトレーニングされています。

📦 インストール

torchaudio と sentencepiece をインストールする必要があります。以下のコマンドを使用してインストールできます。

• 追加の音声依存関係としてインストール:

  pip install transformers"[speech, sentencepiece]"
  

• パッケージを個別にインストール:

  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
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。

📚 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）を目的とした、Transformerベースのシーケンス-to-シーケンス（エンコーダ-デコーダ）モデルです。音声入力は、エンコーダに入力される前に、畳み込みダウンサンプラーによって長さが3/4に短縮されます。モデルは、標準的な自己回帰的クロス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/翻訳を生成します。

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。

🔧 技術詳細

トレーニングデータ

s2t-small-covost2-fr-en-st は、CoVoST2 のフランス語-英語サブセットでトレーニングされています。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。

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、文字ベースのSentencePiece語彙を使用してトークン化されます。

トレーニング

モデルは、標準的な自己回帰的クロス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。モデルのトレーニングを加速し、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のフランス語-英語のテスト結果（BLEUスコア）: 26.25

📄 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。

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},
}