Mms Lid 512

🚀 大規模多言語音声 (MMS) - 微調整済み言語識別 (LID)

このチェックポイントは、音声の言語識別 (LID) のために微調整されたモデルです。Facebookの大規模多言語音声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、生の音声入力を512の出力クラス（各クラスは言語を表す）の確率分布に分類します。チェックポイントには10億個のパラメータが含まれており、facebook/mms - 1bから512言語で微調整されています。

🚀 クイックスタート

インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。

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。4.30バージョンがまだPyPIにない場合は、ソースからtransformersをインストールしてください。

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

# 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"]

# アラビア語
stream_data = load_dataset("mozilla-foundation/common_voice_13_0", "ar", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
ar_sample = next(iter(stream_data))["audio"]["array"]

from transformers import Wav2Vec2ForSequenceClassification, AutoFeatureExtractor
import torch

model_id = "facebook/mms-lid-512"

processor = AutoFeatureExtractor.from_pretrained(model_id)
model = Wav2Vec2ForSequenceClassification.from_pretrained(model_id)

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

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

lang_id = torch.argmax(outputs, dim=-1)[0].item()
detected_lang = model.config.id2label[lang_id]
# 'eng'

# アラビア語
inputs = processor(ar_sample, sampling_rate=16_000, return_tensors="pt")

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

lang_id = torch.argmax(outputs, dim=-1)[0].item()
detected_lang = model.config.id2label[lang_id]
# 'ara'

チェックポイントがサポートするすべての言語を表示するには、以下のように言語IDを出力できます。

processor.id2label.values()

アーキテクチャの詳細については、公式ドキュメントを参照してください。

✨ 主な機能

このモデルは512言語をサポートしています。以下をクリックすると、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コードで表示できます。言語とそのISO 649 - 3コードの詳細は、MMS言語カバレッジ概要で確認できます。

📚 ドキュメント

モデル詳細

@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
• 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

📄 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。