AV HuBERT

🚀 MuAViCデータセットにおけるAV - HuBERTのHuggingface実装

このリポジトリには、MuAViC（Multilingual Audio - Visual Corpus）データセットで訓練およびテストされた、AV - HuBERT（Audio - Visual Hidden Unit BERT）モデルのHuggingface実装が含まれています。AV - HuBERTは、音声と視覚の両方のモダリティを利用して、特にノイズの多い環境でも堅牢な性能を発揮する、自己教師付きの音声視覚音声認識モデルです。

このリポジトリの主な機能は以下の通りです。

• 事前学習済みモデル：MuAViCデータセットで微調整された事前学習済みAV - HuBERTモデルにアクセスできます。事前学習済みモデルはMuAViCリポジトリからエクスポートされています。
• 推論スクリプト：Huggingfaceのインターフェースを使用して簡単にパイプラインを構築できます。
• データ前処理スクリプト：フレームレートの正規化、唇と音声の抽出などが含まれます。

🚀 クイックスタート

推論コード

git clone https://github.com/nguyenvulebinh/AV-HuBERT-S2S.git
cd AV-HuBERT-S2S
conda create -n avhuberts2s python=3.9
conda activate avhuberts2s
pip install -r requirements.txt
python run_example.py

from src.model.avhubert2text import AV2TextForConditionalGeneration
from src.dataset.load_data import load_feature
from transformers import Speech2TextTokenizer
import torch

if __name__ == "__main__":
    # Choose language to run example
    AVAILABEL_LANGUAGES = ["ar", "de", "el", "en", "es", "fr", "it", "pt", "ru", "multilingual"]
    language = "ru"
    assert language in AVAILABEL_LANGUAGES, f"Language {language} is not available, please choose one of {AVAILABEL_LANGUAGES}"
    
    
    # Load model and tokenizer
    model_name_or_path = f"nguyenvulebinh/AV-HuBERT-MuAViC-{language}"
    model = AV2TextForConditionalGeneration.from_pretrained(model_name_or_path, cache_dir='./model-bin')
    tokenizer = Speech2TextTokenizer.from_pretrained(model_name_or_path, cache_dir='./model-bin')
    
    model = model.cuda().eval()
    
    # Load example video and audio
    video_example = f"./example/video_processed/{language}_lip_movement.mp4"
    audio_example = f"./example/video_processed/{language}_audio.wav"
    if not os.path.exists(video_example) or not os.path.exists(audio_example):
        print(f"WARNING: Example video and audio for {language} is not available english will be used instead")
        video_example = f"./example/video_processed/en_lip_movement.mp4"
        audio_example = f"./example/video_processed/en_audio.wav"
    
    # Load and process example
    sample = load_feature(
        video_example,
        audio_example
    )
    
    audio_feats = sample['audio_source'].cuda()
    video_feats = sample['video_source'].cuda()
    attention_mask = torch.BoolTensor(audio_feats.size(0), audio_feats.size(-1)).fill_(False).cuda()
    
    # Generate text
    output = model.generate(
        audio_feats,
        attention_mask=attention_mask,
        video=video_feats,
        max_length=1024,
    )

    print(tokenizer.batch_decode(output, skip_special_tokens=True))

データ前処理スクリプト

mkdir model-bin
cd model-bin
wget https://huggingface.co/nguyenvulebinh/AV-HuBERT/resolve/main/20words_mean_face.npy .
wget https://huggingface.co/nguyenvulebinh/AV-HuBERT/resolve/main/shape_predictor_68_face_landmarks.dat .

# raw video only support 4:3 ratio now
cp raw_video.mp4 ./example/ 

python src/dataset/video_to_audio_lips.py

✨ 主な機能

事前学習済みAVSRモデル

📚 ドキュメント

謝辞

AV - HuBERT：このリポジトリのコードベースの大部分は、元のAV - HuBERTの実装から適応されています。

MuAViCリポジトリ：このプロジェクトで使用されている事前学習済みモデルを提供してくれたMuAViCデータセットとリポジトリの作成者に感謝します。

📄 ライセンス

CC - BY - NC 4.0

引用

@article{anwar2023muavic,
  title={MuAViC: A Multilingual Audio-Visual Corpus for Robust Speech Recognition and Robust Speech-to-Text Translation},
  author={Anwar, Mohamed and Shi, Bowen and Goswami, Vedanuj and Hsu, Wei-Ning and Pino, Juan and Wang, Changhan},
  journal={arXiv preprint arXiv:2303.00628},
  year={2023}
}