S2t Wav2vec2 Large En Ca

🚀 S2T2-Wav2Vec2-CoVoST2-EN-CA-ST

s2t-wav2vec2-large-en-ca 是一个经过训练的端到端语音翻译（ST）的语音转文本Transformer模型。S2T2模型在论文 Large-Scale Self- and Semi-Supervised Learning for Speech Translation 中被提出，并在 Fairseq 中正式发布。

🚀 快速开始

本模型可用于端到端的英语语音到加泰罗尼亚语文本的翻译。你可以在 模型中心 查找其他S2T2检查点。

✨ 主要特性

模型描述

S2T2是一个基于Transformer的序列到序列（语音编码器 - 解码器）模型，专为端到端自动语音识别（ASR）和语音翻译（ST）而设计。它使用预训练的 Wav2Vec2 作为编码器，并使用基于Transformer的解码器。该模型使用标准的自回归交叉熵损失进行训练，并自回归地生成翻译结果。

适用范围和局限性

此模型可用于将英语语音直接翻译成加泰罗尼亚语文本。

评估结果

CoVoST - V2 英语到加泰罗尼亚语的测试结果（BLEU分数）：34.1。 更多信息请查看 官方论文，特别是表2的第10行。

💻 使用示例

基础用法

由于这是一个标准的序列到序列Transformer模型，你可以使用 generate 方法，通过将语音特征传递给模型来生成转录结果。 你可以通过自动语音识别（ASR）管道直接使用该模型：

from datasets import load_dataset
from transformers import pipeline

librispeech_en = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
asr = pipeline("automatic-speech-recognition", model="facebook/s2t-wav2vec2-large-en-ca", feature_extractor="facebook/s2t-wav2vec2-large-en-ca")

translation = asr(librispeech_en[0]["file"])

高级用法

你也可以按以下步骤逐步使用该模型：

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

import soundfile as sf
model = SpeechEncoderDecoder.from_pretrained("facebook/s2t-wav2vec2-large-en-ca")
processor = Speech2Text2Processor.from_pretrained("facebook/s2t-wav2vec2-large-en-ca")

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")
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"])
transcription = processor.batch_decode(generated_ids)

📚 详细文档

数据集

• covost2
• librispeech_asr

标签

• audio
• speech-translation
• automatic-speech-recognition
• speech2text2

推理小部件示例

• 示例标题：Common Voice 1，音频链接：https://cdn-media.huggingface.co/speech_samples/common_voice_en_18301577.mp3
• 示例标题：Common Voice 2，音频链接：https://cdn-media.huggingface.co/speech_samples/common_voice_en_99989.mp3
• 示例标题：Common Voice 3，音频链接：https://cdn-media.huggingface.co/speech_samples/common_voice_en_9999.mp3

BibTeX引用

@article{DBLP:journals/corr/abs-2104-06678,
  author    = {Changhan Wang and
               Anne Wu and
               Juan Miguel Pino and
               Alexei Baevski and
               Michael Auli and
               Alexis Conneau},
  title     = {Large-Scale Self- and Semi-Supervised Learning for Speech Translation},
  journal   = {CoRR},
  volume    = {abs/2104.06678},
  year      = {2021},
  url       = {https://arxiv.org/abs/2104.06678},
  archivePrefix = {arXiv},
  eprint    = {2104.06678},
  timestamp = {Thu, 12 Aug 2021 15:37:06 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2104-06678.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 许可证

本项目采用MIT许可证。