S2t Small Covost2 En Ca St

🚀 S2T-SMALL-COVOST2-EN-CA-ST

s2t-small-covost2-en-ca-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

本模型可用於端到端的英語語音到加泰羅尼亞語文本的翻譯。你可以在 模型中心 查找其他S2T檢查點。

作為一個標準的序列到序列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。

⚠️ 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。你可以通過 pip install transformers"[speech, sentencepiece]" 作為額外的語音依賴項進行安裝，或者使用 pip install torchaudio sentencepiece 分別安裝這些包。

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

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-covost2-en-ca-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-en-ca-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=48_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)

✨ 主要特性

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，在將語音輸入送入編碼器之前，將其長度減少3/4。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內容/翻譯結果。

📦 安裝指南

你可以通過以下兩種方式安裝所需的依賴包：

• 作為額外的語音依賴項安裝：pip install transformers"[speech, sentencepiece]"
• 分別安裝：pip install torchaudio sentencepiece

💻 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-covost2-en-ca-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-en-ca-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=48_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

訓練數據

s2t-small-covost2-en-ca-st 模型在 CoVoST2 的英語 - 加泰羅尼亞語子集上進行訓練。CoVoST是一個基於 Common Voice 的大規模多語言ST語料庫，旨在通過有史以來最大的開放數據集促進ST研究。

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，對每個示例應用了基於話語級別的CMVN（倒譜均值和方差歸一化）。

文本被轉換為小寫，並使用基於字符的SentencePiece詞彙進行分詞。

訓練

該模型使用標準的自迴歸交叉熵損失和 SpecAugment 進行訓練。編碼器接收語音特徵，解碼器自迴歸地生成轉錄內容。為了加速模型訓練並提高性能，編碼器針對英語ASR進行了預訓練。

評估結果

CoVoST2測試集上英語到加泰羅尼亞語的評估結果（BLEU分數）為21.68。

🔧 技術細節

S2T模型使用卷積下采樣器，在將語音輸入送入編碼器之前，將其長度減少3/4。模型訓練採用標準的自迴歸交叉熵損失，自迴歸地生成轉錄內容/翻譯結果。

📄 許可證

本模型採用MIT許可證。

BibTeX引用

@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},
}