S2t Small Mustc En Pt St

🚀 S2T-SMALL-MUSTC-EN-PT-ST

s2t-small-mustc-en-pt-st 是一個用於端到端語音翻譯（ST）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。

🚀 快速開始

s2t-small-mustc-en-pt-st 可用於端到端的英語語音到葡萄牙語文本的翻譯。你可以通過以下步驟使用該模型：

1. 安裝必要的依賴包，你可以通過 pip install transformers"[speech, sentencepiece]" 安裝額外的語音依賴，或者使用 pip install torchaudio sentencepiece 分別安裝這些包。
2. 按照下面的代碼示例進行操作。

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

⚠️ 重要提示

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

✨ 主要特性

• 端到端語音翻譯：該模型專為端到端的自動語音識別（ASR）和語音翻譯（ST）而設計，可直接將英語語音轉換為葡萄牙語文本。
• 卷積下采樣：使用卷積下采樣器將語音輸入的長度減少3/4，然後再輸入到編碼器中。
• 自迴歸生成：模型使用標準的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。

📚 詳細文檔

模型描述

S2T 是一個基於Transformer的序列到序列（編碼器 - 解碼器）模型，專為端到端的自動語音識別（ASR）和語音翻譯（ST）而設計。它使用卷積下采樣器將語音輸入的長度減少3/4，然後再輸入到編碼器中。該模型使用標準的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。

預期用途和侷限性

此模型可用於端到端的英語語音到葡萄牙語文本的翻譯。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-pt-st 在 MuST - C 的英語 - 葡萄牙語子集上進行訓練。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與手動轉錄和翻譯自動對齊。

訓練過程

預處理

語音數據通過 PyKaldi 或 torchaudio 自動從 WAV/FLAC 音頻文件中提取符合 Kaldi 標準的 80 通道對數梅爾濾波器組特徵進行預處理。此外，對每個示例應用了話語級別的 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

該模型使用標準的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

在 MuST - C 測試集上，英語到葡萄牙語的 BLEU 分數為 28.1。

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。