Wav2vec2 Xls R 300m En To 15

🚀 Wav2Vec2-XLS-R-300M-EN-15

這是Facebook基於Wav2Vec2 XLS - R微調的語音翻譯模型。它能將英語語音翻譯成多種書面語言，為語音翻譯領域提供了強大的工具。

支持語言

這是一個SpeechEncoderDecoderModel模型。編碼器從facebook/wav2vec2-xls-r-300m檢查點進行預熱啟動，解碼器從facebook/mbart-large-50檢查點啟動。因此，該編碼器 - 解碼器模型在Covost2數據集的15個en -> {lang}翻譯對上進行了微調。

該模型可以將英語口語en翻譯成以下書面語言{lang}：

en -> {de, tr, fa, sv-SE, mn, zh-CN, cy, ca, sl, et, id, ar, ta, lv, ja}

更多信息，請參考官方XLS - R論文的5.1.1節。

🚀 快速開始

演示

可以在此空間上測試該模型。你可以選擇目標語言，用英語錄制一些音頻，然後看看該檢查點能多好地翻譯輸入內容。

示例

由於這是一個標準的序列到序列的Transformer模型，你可以使用generate方法，將語音特徵傳遞給模型來生成轉錄內容。

你可以通過ASR管道直接使用該模型。默認情況下，該檢查點會將英語口語翻譯成書面德語。要更改書面目標語言，你需要將正確的forced_bos_token_id傳遞給generate(...)，以使解碼器適應正確的目標語言。

要根據你選擇的語言ID選擇正確的forced_bos_token_id，請使用以下映射：

MAPPING = {
    "de": 250003,
    "tr": 250023,
    "fa": 250029,
    "sv": 250042,
    "mn": 250037,
    "zh": 250025,
    "cy": 250007,
    "ca": 250005,
    "sl": 250052,
    "et": 250006,
    "id": 250032,
    "ar": 250001,
    "ta": 250044,
    "lv": 250017,
    "ja": 250012,
}

例如，如果你想翻譯成瑞典語，可以這樣做：

from datasets import load_dataset
from transformers import pipeline

# select correct `forced_bos_token_id`
forced_bos_token_id = MAPPING["sv"]

# replace following lines to load an audio file of your choice
librispeech_en = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
audio_file = librispeech_en[0]["file"]

asr = pipeline("automatic-speech-recognition", model="facebook/wav2vec2-xls-r-300m-en-to-15", feature_extractor="facebook/wav2vec2-xls-r-300m-en-to-15")

translation = asr(audio_file, forced_bos_token_id=forced_bos_token_id)

或者按以下步驟逐步操作：

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

model = SpeechEncoderDecoderModel.from_pretrained("facebook/wav2vec2-xls-r-300m-en-to-15")
processor = Speech2Text2Processor.from_pretrained("facebook/wav2vec2-xls-r-300m-en-to-15")

ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

# select correct `forced_bos_token_id`
forced_bos_token_id = MAPPING["sv"]

inputs = processor(ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["array"]["sampling_rate"], return_tensors="pt")
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"], forced_bos_token_id=forced_bos_token)
transcription = processor.batch_decode(generated_ids)

🔍 結果 en -> {lang}

查看此模型在Covost2上的性能，請參考XLS - R (0.3B) 行。

🔗 更多用於{lang} -> en語音翻譯的XLS - R模型

• Wav2Vec2-XLS-R-300M-EN-15
• Wav2Vec2-XLS-R-1B-EN-15
• Wav2Vec2-XLS-R-2B-EN-15
• Wav2Vec2-XLS-R-2B-22-16