S2t Small Mustc En Ro St

🚀 S2T-SMALL-MUSTC-EN-RO-ST

s2t-small-mustc-en-ro-st 是一個用於端到端語音翻譯（ST）的語音轉文本Transformer（S2T）模型。該模型在語音識別和翻譯領域有著重要的應用價值，能夠高效地將英語語音轉換為羅馬尼亞語文本。

🚀 快速開始

s2t-small-mustc-en-ro-st 是為端到端語音翻譯（ST）訓練的語音轉文本Transformer（S2T）模型。S2T模型在這篇論文中被提出，並在這個倉庫中發佈。

✨ 主要特性

• 端到端處理：S2T是基於Transformer的seq2seq（編碼器 - 解碼器）模型，專為端到端自動語音識別（ASR）和語音翻譯（ST）而設計。
• 輸入處理：使用卷積下采樣器將語音輸入長度減少3/4後再輸入編碼器。
• 損失函數：模型使用標準自迴歸交叉熵損失進行訓練，並自迴歸地生成轉錄/翻譯結果。

📦 安裝指南

你可以通過以下兩種方式安裝額外的語音依賴項：

• 一次性安裝：pip install transformers"[speech, sentencepiece]"
• 分別安裝：pip install torchaudio sentencepiece

⚠️ 重要提示

Speech2TextProcessor 對象使用 torchaudio 提取濾波器組特徵。在運行此示例之前，請確保安裝 torchaudio 包。

💻 使用示例

基礎用法

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset
import soundfile as sf

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-mustc-en-ro-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-mustc-en-ro-st")

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"])

translation = processor.batch_decode(generated_ids, skip_special_tokens=True)

📚 詳細文檔

預期用途和限制

此模型可用於端到端的英語語音到羅馬尼亞語文本的翻譯。你可以查看模型中心以查找其他S2T檢查點。

訓練數據

s2t-small-mustc-en-ro-st 在MuST - C的英語 - 羅馬尼亞語子集上進行訓練。MuST - C是一個多語言語音翻譯語料庫，其規模和質量有助於訓練從英語到多種語言的端到端語音翻譯系統。對於每種目標語言，MuST - C包含數百小時來自英語TED演講的音頻記錄，這些記錄在句子級別自動與手動轉錄和翻譯對齊。

訓練過程

預處理

語音數據通過PyKaldi或torchaudio從WAV/FLAC音頻文件中自動提取符合Kaldi標準的80通道對數梅爾濾波器組特徵進行預處理。此外，對每個示例應用了基於語句級別的CMVN（倒譜均值和方差歸一化）。

文本進行小寫處理，並使用SentencePiece進行分詞，詞彙量大小為8000。

訓練

模型使用標準自迴歸交叉熵損失進行訓練，並使用SpecAugment。編碼器接收語音特徵，解碼器自迴歸地生成轉錄結果。為了加速模型訓練並獲得更好的性能，編碼器針對英語ASR進行了預訓練。

評估結果

MuST - C的英語 - 羅馬尼亞語測試結果（BLEU分數）：21.9

BibTeX引用和引用信息

@inproceedings{wang2020fairseqs2t,
  title = {fairseq S2T: Fast Speech-to-Text Modeling with fairseq},
  author = {Changhan Wang and Yun Tang and Xutai Ma and Anne Wu and Dmytro Okhonko and Juan Pino},
  booktitle = {Proceedings of the 2020 Conference of the Asian Chapter of the Association for Computational Linguistics (AACL): System Demonstrations},
  year = {2020},
}

📄 許可證

本項目採用MIT許可證。

信息表格