🚀 S2T-SMALL-MUSTC-EN-RO-ST
s2t-small-mustc-en-ro-st
是一个用于端到端语音翻译(ST)的语音转文本Transformer(S2T)模型。该模型在语音识别和翻译领域有着重要的应用价值,能够高效地将英语语音转换为罗马尼亚语文本。
🚀 快速开始
s2t-small-mustc-en-ro-st
是为端到端语音翻译(ST)训练的语音转文本Transformer(S2T)模型。S2T模型在这篇论文中被提出,并在这个仓库中发布。
✨ 主要特性
- 端到端处理:S2T是基于Transformer的seq2seq(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。
- 输入处理:使用卷积下采样器将语音输入长度减少3/4后再输入编码器。
- 损失函数:模型使用标准自回归交叉熵损失进行训练,并自回归地生成转录/翻译结果。
📦 安装指南
你可以通过以下两种方式安装额外的语音依赖项:
- 一次性安装:
pip install transformers"[speech, sentencepiece]"
- 分别安装:
pip install torchaudio sentencepiece
⚠️ 重要提示
Speech2TextProcessor
对象使用 torchaudio 提取滤波器组特征。在运行此示例之前,请确保安装 torchaudio
包。
💻 使用示例
基础用法
import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset
import soundfile as sf
model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-mustc-en-ro-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-mustc-en-ro-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"
)
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"])
translation = processor.batch_decode(generated_ids, skip_special_tokens=True)
📚 详细文档
预期用途和限制
此模型可用于端到端的英语语音到罗马尼亚语文本的翻译。你可以查看模型中心以查找其他S2T检查点。
训练数据
s2t-small-mustc-en-ro-st
在MuST - C的英语 - 罗马尼亚语子集上进行训练。MuST - C是一个多语言语音翻译语料库,其规模和质量有助于训练从英语到多种语言的端到端语音翻译系统。对于每种目标语言,MuST - C包含数百小时来自英语TED演讲的音频记录,这些记录在句子级别自动与手动转录和翻译对齐。
训练过程
预处理
语音数据通过PyKaldi或torchaudio从WAV/FLAC音频文件中自动提取符合Kaldi标准的80通道对数梅尔滤波器组特征进行预处理。此外,对每个示例应用了基于语句级别的CMVN(倒谱均值和方差归一化)。
文本进行小写处理,并使用SentencePiece进行分词,词汇量大小为8000。
训练
模型使用标准自回归交叉熵损失进行训练,并使用SpecAugment。编码器接收语音特征,解码器自回归地生成转录结果。为了加速模型训练并获得更好的性能,编码器针对英语ASR进行了预训练。
评估结果
MuST - C的英语 - 罗马尼亚语测试结果(BLEU分数):21.9
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},
}
📄 许可证
本项目采用MIT许可证。
信息表格
属性 |
详情 |
模型类型 |
用于端到端语音翻译的语音转文本Transformer(S2T)模型 |
训练数据 |
MuST - C的英语 - 罗马尼亚语子集 |
训练过程 |
语音数据提取Kaldi兼容的80通道对数梅尔滤波器组特征并进行CMVN处理,文本小写并使用SentencePiece分词;使用标准自回归交叉熵损失和SpecAugment进行训练,编码器预训练用于英语ASR |
评估结果 |
MuST - C英语 - 罗马尼亚语测试BLEU分数为21.9 |
许可证 |
MIT |