S2t Small Covost2 En Ca St

🚀 S2T-SMALL-COVOST2-EN-CA-ST

s2t-small-covost2-en-ca-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、英語の音声をカタルーニャ語のテキストにエンドツーエンドで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

• エンドツーエンドの音声翻訳（ST）に特化したモデル。
• 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、エンコーダに入力します。
• 標準的な自己回帰的クロスエントロピー損失で学習され、自己回帰的にトランスクリプト/翻訳を生成します。

📦 インストール

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する必要があります。

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:

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

⚠️ 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する必要があります。

📚 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、音声入力の長さを3/4に短縮してからエンコーダに入力します。このモデルは、標準的な自己回帰的クロスエントロピー損失で学習され、自己回帰的にトランスクリプト/翻訳を生成します。

意図された用途と制限

このモデルは、英語の音声をカタルーニャ語のテキストにエンドツーエンドで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。

学習データ

s2t-small-covost2-en-ca-st は、CoVoST2 の英語 - カタルーニャ語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て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クロス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を受け取り、デコーダは自己回帰的にトランスクリプトを生成します。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の英語 - カタルーニャ語のテスト結果（BLEUスコア）: 21.68

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ライセンスの下で提供されています。