S2t Small Covost2 Ca En St

🚀 S2T-SMALL-COVOST2-CA-EN-ST

s2t-small-covost2-ca-en-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

s2t-small-covost2-ca-en-st 模型可用於端到端的加泰羅尼亞語語音到英語文本的翻譯。你可以參考 模型中心 來查找其他S2T檢查點。

✨ 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。該模型使用標準的自迴歸交叉熵損失進行訓練，並自迴歸地生成轉錄/翻譯內容。

📦 安裝指南

由於這是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。

注意：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。

你可以通過以下兩種方式安裝依賴：

• 使用 pip install transformers"[speech, sentencepiece]" 作為額外的語音依賴項進行安裝。
• 分別安裝這些包，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-small-covost2-ca-en-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-ca-en-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)

🔧 技術細節

訓練數據

s2t-small-covost2-ca-en-st 模型是在 CoVoST2 的加泰羅尼亞語 - 英語子集上進行訓練的。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 utterance-level 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詞彙表進行分詞。

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內容。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

CoVOST2測試中加泰羅尼亞語到英語的BLEU分數為17.85。

📄 許可證

本模型採用MIT許可證。

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},
}

⚠️ 重要提示

Speech2TextProcessor 對象使用 torchaudio 來提取濾波器組特徵。在運行使用該模型的示例之前，請確保安裝 torchaudio 包。

💡 使用建議

你可以通過 pip install transformers"[speech, sentencepiece]" 一次性安裝額外的語音依賴項，或者使用 pip install torchaudio sentencepiece 分別安裝所需的包。