Wav2vec2 Xls R 2b En To 15

🚀 Wav2Vec2-XLS-R-2B-EN-15

这是Facebook基于Wav2Vec2 XLS - R微调的用于语音翻译的模型，能将英语语音翻译成多种书面语言。

支持语言和数据集

模型架构

这是一个SpeechEncoderDecoderModel模型。编码器从facebook/wav2vec2-xls-r-2b检查点进行热启动，解码器从facebook/mbart-large-50检查点进行热启动。因此，该编码器 - 解码器模型在Covost2数据集的15个en -> {lang}翻译对上进行了微调。

该模型可以将英语口语翻译成以下书面语言{lang}： en -> {de, tr, fa, sv - SE, mn, zh - CN, cy, ca, sl, et, id, ar, ta, lv, ja}

更多信息，请参考官方XLS - R论文的5.1.1节。

🚀 快速开始

演示

你可以在此空间测试该模型。你可以选择目标语言，录制一些英语音频，然后坐等检查点对输入的翻译效果。

示例

由于这是一个标准的序列到序列的Transformer模型，你可以使用generate方法，将语音特征传递给模型来生成转录内容。

你可以通过ASR管道直接使用该模型。默认情况下，检查点将把英语口语翻译成书面德语。要更改书面目标语言，你需要将正确的forced_bos_token_id传递给generate(...)，以使解码器针对正确的目标语言进行条件设置。

要根据你选择的语言ID选择正确的forced_bos_token_id，请使用以下映射：

MAPPING = {
    "de": 250003,
    "tr": 250023,
    "fa": 250029,
    "sv": 250042,
    "mn": 250037,
    "zh": 250025,
    "cy": 250007,
    "ca": 250005,
    "sl": 250052,
    "et": 250006,
    "id": 250032,
    "ar": 250001,
    "ta": 250044,
    "lv": 250017,
    "ja": 250012,
}

例如，如果你想翻译成瑞典语，可以这样做：

from datasets import load_dataset
from transformers import pipeline

# select correct `forced_bos_token_id`
forced_bos_token_id = MAPPING["sv"]

# replace following lines to load an audio file of your choice
librispeech_en = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
audio_file = librispeech_en[0]["file"]

asr = pipeline("automatic-speech-recognition", model="facebook/wav2vec2-xls-r-2b-en-to-15", feature_extractor="facebook/wav2vec2-xls-r-2b-en-to-15")

translation = asr(audio_file, forced_bos_token_id=forced_bos_token_id)

或者按以下步骤逐步操作：

import torch
from transformers import Speech2Text2Processor, SpeechEncoderDecoderModel
from datasets import load_dataset

model = SpeechEncoderDecoderModel.from_pretrained("facebook/wav2vec2-xls-r-2b-en-to-15")
processor = Speech2Text2Processor.from_pretrained("facebook/wav2vec2-xls-r-2b-en-to-15")

ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

# select correct `forced_bos_token_id`
forced_bos_token_id = MAPPING["sv"]

inputs = processor(ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["array"]["sampling_rate"], return_tensors="pt")
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"], forced_bos_token_id=forced_bos_token)
transcription = processor.batch_decode(generated_ids)

🔍 结果 en -> {lang}

查看此模型在Covost2上的性能，请参考**XLS - R (2B)**行。

更多用于{lang} -> en语音翻译的XLS - R模型

• Wav2Vec2 - XLS - R - 300M - EN - 15
• Wav2Vec2 - XLS - R - 1B - EN - 15
• Wav2Vec2 - XLS - R - 2B - EN - 15
• Wav2Vec2 - XLS - R - 2B - 22 - 16