Indic Seamless

🚀 IndicSeamless for Speech-to-Text Translation

IndicSeamlessは、インドの言語間での音声テキスト変換（STT）を行うためのモデルです。このモデルは、BhasaAnuvaadデータセットで微調整されたSeamlessM4T-v2モデルを使用しています。

🚀 クイックスタート

このセクションでは、IndicSeamlessモデルの概要、性能のハイライト、使用方法、引用方法、ライセンスについて説明します。

✨ 主な機能

このリポジトリには、IndicSeamlessモデルが含まれています。これは、BhasaAnuvaadデータセットを使用してSeamlessM4T-v2を微調整した、インドの言語間での**音声テキスト変換（STT）**用のモデルです。学習前に、データセットは以下のしきい値を使用してフィルタリングされました。

• アライメントスコア: 0.8
• マイニングスコア: 0.6

性能のハイライト

• このモデルは、基本のSeamlessM4Tv2モデルや、カスケードアプローチを含むすべての競合するSTTシステムを上回っています。
• このモデルは、Fleursで新しいSOTAを達成し、新しいドメインの多様なデータを含むBhasaAnuvaadテストセットで他のすべてのシステムを大幅に上回っています。

📦 インストール

必要な依存関係がインストールされていることを確認してください。

pip install torch torchaudio transformers datasets

💻 使用例

基本的な使用法

モデルの読み込み

import torchaudio
from transformers import SeamlessM4Tv2ForSpeechToText
from transformers import SeamlessM4TTokenizer, SeamlessM4TFeatureExtractor

model = SeamlessM4Tv2ForSpeechToText.from_pretrained("ai4bharat/indic-seamless").to("cuda")
processor = SeamlessM4TFeatureExtractor.from_pretrained("ai4bharat/indic-seamless")
tokenizer = SeamlessM4TTokenizer.from_pretrained("ai4bharat/indic-seamless")

単一音声の推論

audio, orig_freq = torchaudio.load("../10002398547238927970.wav")
audio = torchaudio.functional.resample(audio, orig_freq=orig_freq, new_freq=16_000) # must be a 16 kHz waveform array
audio_inputs = processor(audio, sampling_rate=16_000, return_tensors="pt").to("cuda")

text_out = model.generate(**audio_inputs, tgt_lang="hin")[0].cpu().numpy().squeeze()
print(tokenizer.decode(text_out, clean_up_tokenization_spaces=True, skip_special_tokens=True))

高度な使用法

Fleursデータセットでの推論

from datasets import load_dataset

dataset = load_dataset("google/fleurs", "hi_in", split="test")

def process_audio(example):
    audio = example["audio"]["array"]
    audio_inputs = processor(audio, sampling_rate=16_000, return_tensors="pt").to("cuda")
    text_out = model.generate(**audio_inputs, tgt_lang="hin")[0].cpu().numpy().squeeze()
    return {"predicted_text": tokenizer.decode(text_out, clean_up_tokenization_spaces=True, skip_special_tokens=True)}

dataset = dataset.map(process_audio)
dataset = dataset.remove_columns(["audio"])
dataset.to_csv("fleurs_hi_predictions.csv")

Fleursを使用したバッチ翻訳

from datasets import load_dataset
import torch

def process_batch(batch):
    audio_arrays = [audio["array"] for audio in batch["audio"]]
    audio_inputs = processor(audio_arrays, sampling_rate=16_000, return_tensors="pt", padding=True).to("cuda")
    text_outs = model.generate(**audio_inputs, tgt_lang="hin")
    batch["predicted_text"] = [tokenizer.decode(text_out.cpu().numpy().squeeze(), clean_up_tokenization_spaces=True, skip_special_tokens=True) for text_out in text_outs]
    return batch

def batch_translate(language_code="hi_in", tgt_lang="hin"):
    dataset = load_dataset("google/fleurs", language_code, split="test")
    dataset = dataset.map(process_batch, batched=True, batch_size=8)
    return dataset["predicted_text"]

# Example usage
target_language = "hi_in"
translations = batch_translate(target_language, tgt_lang="hin")
print(translations)

📚 ドキュメント

引用

あなたの研究でBhasaAnuvaadを使用する場合は、以下のように引用してください。

@misc{jain2024bhasaanuvaadspeechtranslationdataset,
      title={BhasaAnuvaad: A Speech Translation Dataset for 13 Indian Languages}, 
      author={Sparsh Jain and Ashwin Sankar and Devilal Choudhary and Dhairya Suman and Nikhil Narasimhan and Mohammed Safi Ur Rahman Khan and Anoop Kunchukuttan and Mitesh M Khapra and Raj Dabre},
      year={2024},
      eprint={2411.04699},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2411.04699}, 
}

📄 ライセンス

このモデルは、Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)ライセンスの下で公開されています。