S2t Small Mustc En Pt St

🚀 S2T-SMALL-MUSTC-EN-PT-ST

s2t-small-mustc-en-pt-st 是一个用于端到端语音翻译（ST）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。

🚀 快速开始

s2t-small-mustc-en-pt-st 可用于端到端的英语语音到葡萄牙语文本的翻译。你可以通过以下步骤使用该模型：

1. 安装必要的依赖包，你可以通过 pip install transformers"[speech, sentencepiece]" 安装额外的语音依赖，或者使用 pip install torchaudio sentencepiece 分别安装这些包。
2. 按照下面的代码示例进行操作。

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-pt-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-mustc-en-pt-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)

⚠️ 重要提示

Speech2TextProcessor 对象使用 torchaudio 来提取滤波器组特征。在运行此示例之前，请确保安装 torchaudio 包。

✨ 主要特性

• 端到端语音翻译：该模型专为端到端的自动语音识别（ASR）和语音翻译（ST）而设计，可直接将英语语音转换为葡萄牙语文本。
• 卷积下采样：使用卷积下采样器将语音输入的长度减少3/4，然后再输入到编码器中。
• 自回归生成：模型使用标准的自回归交叉熵损失进行训练，并自回归地生成转录/翻译结果。

📚 详细文档

模型描述

S2T 是一个基于Transformer的序列到序列（编码器 - 解码器）模型，专为端到端的自动语音识别（ASR）和语音翻译（ST）而设计。它使用卷积下采样器将语音输入的长度减少3/4，然后再输入到编码器中。该模型使用标准的自回归交叉熵损失进行训练，并自回归地生成转录/翻译结果。

预期用途和局限性

此模型可用于端到端的英语语音到葡萄牙语文本的翻译。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-pt-st 在 MuST - C 的英语 - 葡萄牙语子集上进行训练。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与手动转录和翻译自动对齐。

训练过程

预处理

语音数据通过 PyKaldi 或 torchaudio 自动从 WAV/FLAC 音频文件中提取符合 Kaldi 标准的 80 通道对数梅尔滤波器组特征进行预处理。此外，对每个示例应用了话语级别的 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

该模型使用标准的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

在 MuST - C 测试集上，英语到葡萄牙语的 BLEU 分数为 28.1。

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。