S2t Small Covost2 En Et St

🚀 S2T-SMALL-COVOST2-EN-ET-ST

s2t-small-covost2-en-et-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。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。

✨ 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。畳み込みダウンサンプラーを使用して、音声入力をエンコーダに入力する前に長さを3/4に縮小します。このモデルは、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/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。以下のいずれかの方法で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する場合：

pip install transformers"[speech, sentencepiece]"

• パッケージを個別にインストールする場合：

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

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英語の音声をエストニア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。

使い方

これは標準的なシーケンス-to-シーケンスTransformerモデルであるため、音声特徴をモデルに渡して generate メソッドを使用して文字起こしを生成することができます。

🔧 技術詳細

トレーニングデータ

s2t-small-covost2-en-et-st は、CoVoST2 の英語-エストニア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音声翻訳コーパスで、これまでで最大のオープンデータセットを用いた音声翻訳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

このモデルは、標準的な自己回帰型の交差エントロピー損失を使用し、SpecAugment を用いてトレーニングされます。エンコーダは音声特徴を受け取り、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、より良い性能を得るために、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の英語-エストニア語のテスト結果（BLEUスコア）：13.01

📄 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。

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},
}