S2t Small Covost2 En De St

🚀 S2T-SMALL-COVOST2-EN-DE-ST

s2t-small-covost2-en-de-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。 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）を目的とした、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を使用して長さが3/4に短縮されます。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を使用して学習され、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。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-de-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-en-de-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ドイツ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。

学習データ

s2t-small-covost2-en-de-st は、CoVoST2 の英語 - ドイツ語サブセットで学習されています。CoVoSTは、Common Voice をベースにした大規模な多言語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ボキャブラリ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を使用し、SpecAugment を用いて学習されます。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 - ドイツ語のテスト結果（BLEUスコア）: 16.29

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。