S2t Medium Mustc Multilingual St

🚀 S2T-MEDIUM-MUSTC-MULTILINGUAL-ST

s2t-medium-mustc-multilingual-st 是一個用於端到端多語言語音翻譯（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法語文本的翻譯。你可以訪問 模型中心 查找其他S2T檢查點。

✨ 主要特性

• 支持多種語言，包括英語、德語、荷蘭語、西班牙語、法語、意大利語、葡萄牙語、羅馬尼亞語和俄語。
• 基於Transformer架構的端到端語音識別和翻譯模型。
• 使用卷積下采樣器減少語音輸入長度。
• 採用標準自迴歸交叉熵損失進行訓練。

📦 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：

• 使用 pip install transformers"[speech, sentencepiece]" 一次性安裝。
• 分別安裝，使用 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-medium-mustc-multilingual-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-medium-mustc-multilingual-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")

# translate English Speech To French Text
generated_ids = model.generate(
    input_ids=inputs["input_features"],
    attention_mask=inputs["attention_mask"],
    forced_bos_token_id=processor.tokenizer.lang_code_to_id["fr"]
)
translation_fr = processor.batch_decode(generated_ids)

# translate English Speech To German Text
generated_ids = model.generate(
    input_ids=inputs["input_features"],
    attention_mask=inputs["attention_mask"],
    forced_bos_token_id=processor.tokenizer.lang_code_to_id["de"]
)
translation_de = 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。

📚 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，然後再將其輸入到編碼器中。該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。

預期用途和限制

本模型可用於端到端的英語語音到法語文本的翻譯。你可以訪問 模型中心 查找其他S2T檢查點。

訓練數據

s2t-medium-mustc-multilingual-st 在 MuST-C 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語句級別的CMVN（倒譜均值和方差歸一化）。

文本被轉換為小寫，並使用SentencePiece進行分詞，詞彙表大小為10,000。

訓練

該模型使用標準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結果。為了加速模型訓練並獲得更好的性能，編碼器針對多語言ASR進行了預訓練。對於多語言模型，目標語言ID令牌用作目標BOS。

評估結果

MuST-C測試結果（BLEU分數）：

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。