S2t Small Mustc En Fr St

🚀 S2T-SMALL-MUSTC-EN-FR-ST

s2t-small-mustc-en-fr-st 是一个用于端到端语音翻译（ST）的语音转文本Transformer（S2T）模型。该模型可将英语语音直接转换为法语文本，为跨语言交流提供了高效的解决方案。

🚀 快速开始

本模型可用于端到端的英语语音到法语文本的翻译。你可以在 模型中心 查找其他S2T检查点。

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，将语音特征传递给模型来生成转录内容。

注意：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。

你可以通过 pip install transformers"[speech, sentencepiece]" 作为额外的语音依赖项进行安装，或者使用 pip install torchaudio sentencepiece 分别安装这些包。

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

✨ 主要特性

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，在将语音输入送入编码器之前，将其长度减少3/4。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内容/翻译结果。

📦 安装指南

你可以通过以下两种方式安装所需的依赖包：

• 作为额外的语音依赖项安装：pip install transformers"[speech, sentencepiece]"
• 分别安装这些包：pip install torchaudio sentencepiece

📚 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法语文本的翻译。

训练数据

s2t-small-mustc-en-fr-st 模型在 MuST - C 的英法子集上进行训练。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）。

文本进行了小写处理，并使用SentencePiece和大小为8000的词汇表进行分词。

训练

该模型使用标准的自回归交叉熵损失和 SpecAugment 进行训练。编码器接收语音特征，解码器自回归地生成转录内容。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英法测试结果（BLEU分数）：32.9

🔧 技术细节

S2T模型在 这篇论文 中被提出，并在 这个仓库 中发布。它采用了卷积下采样器对语音输入进行处理，在编码器 - 解码器架构中，解码器通过自回归的方式生成转录内容或翻译结果。训练过程中使用标准的自回归交叉熵损失，并且编码器经过预训练以提升性能。

📄 许可证

本项目采用MIT许可证。

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},
}

信息表格

重要提示

⚠️ 重要提示

Speech2TextProcessor 对象使用 torchaudio 来提取滤波器组特征。在运行使用该对象的示例之前，请确保安装 torchaudio 包。

💡 使用建议

你可以通过 pip install transformers"[speech, sentencepiece]" 一次性安装额外的语音依赖项，或者使用 pip install torchaudio sentencepiece 分别安装所需的包。