Mms 1b All

🚀 Massively Multilingual Speech (MMS) - Finetuned ASR - ALL

このチェックポイントは、多言語の自動音声認識（ASR）用にファインチューニングされたモデルであり、FacebookのMassive Multilingual Speechプロジェクトの一部です。このチェックポイントはWav2Vec2アーキテクチャに基づいており、アダプターモデルを使用して1000以上の言語を文字起こしします。このチェックポイントは10億個のパラメータから構成され、facebook/mms - 1bを1162の言語でファインチューニングしたものです。

🚀 クイックスタート

このMMSチェックポイントは、Transformersを使って1107の異なる言語の音声を文字起こしするために使用できます。簡単な例を見てみましょう。

まず、transformersと他のいくつかのライブラリをインストールします。

pip install torch accelerate torchaudio datasets
pip install --upgrade transformers

⚠️ 重要提示

MMSを使用するには、少なくともtransformers >= 4.30がインストールされている必要があります。もし4.30バージョンがまだPyPIで利用できない場合は、ソースからtransformersをインストールすることを確認してください。

pip install git+https://github.com/huggingface/transformers.git

次に、datasetsを介していくつかの音声サンプルをロードします。音声データが16000kHzでサンプリングされていることを確認してください。

from datasets import load_dataset, Audio

# 英語
stream_data = load_dataset("mozilla - foundation/common_voice_13_0", "en", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
en_sample = next(iter(stream_data))["audio"]["array"]

# フランス語
stream_data = load_dataset("mozilla - foundation/common_voice_13_0", "fr", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
fr_sample = next(iter(stream_data))["audio"]["array"]

次に、モデルとプロセッサーをロードします。

from transformers import Wav2Vec2ForCTC, AutoProcessor
import torch

model_id = "facebook/mms-1b-all"

processor = AutoProcessor.from_pretrained(model_id)
model = Wav2Vec2ForCTC.from_pretrained(model_id)

これで、音声データを処理し、処理された音声データをモデルに渡し、モデルの出力を文字起こしします。これは通常のWav2Vec2モデル、例えばfacebook/wav2vec2 - base - 960hの場合と同じです。

inputs = processor(en_sample, sampling_rate=16_000, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs).logits

ids = torch.argmax(outputs, dim=-1)[0]
transcription = processor.decode(ids)
# 'joe keton disapproved of films and buster also had reservations about the media'

これで、同じモデルをメモリに保持したまま、便利なload_adapter()関数をモデルに、set_target_lang()をトークナイザーに呼び出すことで、言語アダプターを簡単に切り替えることができます。ターゲット言語を入力として渡します。例えば、フランス語の場合は"fra"です。

processor.tokenizer.set_target_lang("fra")
model.load_adapter("fra")

inputs = processor(fr_sample, sampling_rate=16_000, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs).logits

ids = torch.argmax(outputs, dim=-1)[0]
transcription = processor.decode(ids)
# "ce dernier est volé tout au long de l'histoire romaine"

同じ方法で、他のすべてのサポート言語について言語を切り替えることができます。詳細については、以下を参照してください。

processor.tokenizer.vocab.keys()

より詳細な情報については、公式ドキュメントを参照してください。

✨ 主な機能

• 1162の言語をサポートする多言語自動音声認識モデル。
• Wav2Vec2アーキテクチャに基づき、アダプターモデルを使用して言語を切り替えることができる。

📦 インストール

pip install torch accelerate torchaudio datasets
pip install --upgrade transformers

⚠️ 重要提示

MMSを使用するには、少なくともtransformers >= 4.30がインストールされている必要があります。もし4.30バージョンがまだPyPIで利用できない場合は、ソースからtransformersをインストールすることを確認してください。

pip install git+https://github.com/huggingface/transformers.git

💻 使用例

基本的な使用法

from datasets import load_dataset, Audio
from transformers import Wav2Vec2ForCTC, AutoProcessor
import torch

# 音声サンプルのロード
stream_data = load_dataset("mozilla - foundation/common_voice_13_0", "en", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
en_sample = next(iter(stream_data))["audio"]["array"]

# モデルとプロセッサーのロード
model_id = "facebook/mms-1b-all"
processor = AutoProcessor.from_pretrained(model_id)
model = Wav2Vec2ForCTC.from_pretrained(model_id)

# 音声データの処理と文字起こし
inputs = processor(en_sample, sampling_rate=16_000, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs).logits
ids = torch.argmax(outputs, dim=-1)[0]
transcription = processor.decode(ids)

高度な使用法

# 言語アダプターの切り替え
processor.tokenizer.set_target_lang("fra")
model.load_adapter("fra")

# フランス語の音声サンプルのロード
stream_data = load_dataset("mozilla - foundation/common_voice_13_0", "fr", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
fr_sample = next(iter(stream_data))["audio"]["array"]

# 音声データの処理と文字起こし
inputs = processor(fr_sample, sampling_rate=16_000, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs).logits
ids = torch.argmax(outputs, dim=-1)[0]
transcription = processor.decode(ids)

📚 ドキュメント

• 公式ドキュメントを参照してください。

🔧 技術詳細

このモデルは、Wav2Vec2アーキテクチャに基づいており、アダプターモデルを使用して1000以上の言語を文字起こしします。チェックポイントは10億個のパラメータから構成され、facebook/mms - 1bを1162の言語でファインチューニングしたものです。

📄 ライセンス

このモデルはCC - BY - NC 4.0ライセンスの下で提供されています。

サポート言語

このモデルは1162の言語をサポートしています。以下をクリックして、このチェックポイントがサポートするすべての言語をISO 639 - 3コードで表示/非表示を切り替えることができます。 言語とそのISO 649 - 3コードに関する詳細は、MMS言語カバレッジ概要を参照してください。

モデルの詳細

引用方法

@article{pratap2023mms,
  title={Scaling Speech Technology to 1,000+ Languages},
  author={Vineel Pratap and Andros Tjandra and Bowen Shi and Paden Tomasello and Arun Babu and Sayani Kundu and Ali Elkahky and Zhaoheng Ni and Apoorv Vyas and Maryam Fazel-Zarandi and Alexei Baevski and Yossi Adi and Xiaohui Zhang and Wei-Ning Hsu and Alexis Conneau and Michael Auli},
  journal={arXiv},
  year={2023}
}

追加リンク

• ブログ記事
• Transformersドキュメント
• 論文
• GitHubリポジトリ
• その他のMMSチェックポイント
• MMSベースチェックポイント:
  • facebook/mms - 1b
  • facebook/mms - 300m
• 公式スペース