S2t Small Covost2 En De St

🚀 S2T-SMALL-COVOST2-EN-DE-ST

s2t-small-covost2-en-de-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模型在本文中被提出，並在此倉庫中發佈。

✨ 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，專為端到端自動語音識別（ASR）和語音翻譯（ST）而設計。
• 使用卷積下采樣器將語音輸入長度減少3/4，再輸入到編碼器中。
• 採用標準自迴歸交叉熵損失進行訓練，並自迴歸地生成轉錄文本/翻譯內容。

📦 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。
• 分別安裝相關包：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，請確保安裝了 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-covost2-en-de-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-en-de-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

預期用途與限制

• 該模型可用於端到端的英語語音到德語文本的翻譯。
• 可查看模型中心以查找其他S2T檢查點。

訓練數據

s2t-small-covost2-en-de-st 模型在CoVoST2的英德子集上進行訓練。CoVoST是一個基於Common Voice的大規模多語言ST語料庫，旨在利用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。
• 對每個示例應用進一步的話語級CMVN（倒譜均值和方差歸一化）。
• 文本進行小寫處理，並使用基於字符的SentencePiece詞彙表進行分詞。

訓練

• 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文本。
• 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英德測試結果（BLEU分數）：16.29

🔧 技術細節

S2T是一個基於Transformer的序列到序列（編碼器 - 解碼器）模型。它使用卷積下采樣器將語音輸入長度減少3/4，再輸入到編碼器中。模型採用標準自迴歸交叉熵損失進行訓練，自迴歸地生成轉錄文本/翻譯內容。

📄 許可證

本項目採用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},
}