S2t Wav2vec2 Large En Ar

🚀 S2T2-Wav2Vec2-CoVoST2-EN-AR-ST

s2t-wav2vec2-large-en-ar 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モデルです。 S2T2モデルは Large-Scale Self- and Semi-Supervised Learning for Speech Translation で提案され、 Fairseq で公式にリリースされました。

🚀 クイックスタート

このモデルは、英語の音声をアラビア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S2T2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

モデルの説明

S2T2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seq2seq（音声エンコーダー - デコーダー）モデルです。エンコーダーとして事前学習された Wav2Vec2 を使用し、Transformerベースのデコーダーを備えています。このモデルは、標準的な自己回帰的な交差エントロピー損失で学習され、自己回帰的に翻訳を生成します。

想定される用途と制限

このモデルは、英語の音声をアラビア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S2T2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。

💻 使用例

基本的な使用法

これは標準的なシーケンス-to-シーケンスTransformerモデルなので、generate メソッドを使用して音声特徴をモデルに渡すことで、トランスクリプトを生成できます。

from datasets import load_dataset
from transformers import pipeline

librispeech_en = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
asr = pipeline("automatic-speech-recognition", model="facebook/s2t-wav2vec2-large-en-ar", feature_extractor="facebook/s2t-wav2vec2-large-en-ar")

translation = asr(librispeech_en[0]["file"])

高度な使用法

以下のようにステップバイステップで使用することもできます。

import torch
from transformers import Speech2Text2Processor, SpeechEncoderDecoder
from datasets import load_dataset

import soundfile as sf
model = SpeechEncoderDecoder.from_pretrained("facebook/s2t-wav2vec2-large-en-ar")
processor = Speech2Text2Processor.from_pretrained("facebook/s2t-wav2vec2-large-en-ar")

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=16_000, return_tensors="pt")
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"])
transcription = processor.batch_decode(generated_ids)

🔧 技術詳細

評価結果

CoVoST-V2の英語からアラビア語へのテスト結果（BLEUスコア）：20.2

詳細については、公式論文 、特に表2の10行目を参照してください。

BibTeXエントリと引用情報

@article{DBLP:journals/corr/abs-2104-06678,
  author    = {Changhan Wang and
               Anne Wu and
               Juan Miguel Pino and
               Alexei Baevski and
               Michael Auli and
               Alexis Conneau},
  title     = {Large-Scale Self- and Semi-Supervised Learning for Speech Translation},
  journal   = {CoRR},
  volume    = {abs/2104.06678},
  year      = {2021},
  url       = {https://arxiv.org/abs/2104.06678},
  archivePrefix = {arXiv},
  eprint    = {2104.06678},
  timestamp = {Thu, 12 Aug 2021 15:37:06 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2104.06678.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 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。