🚀 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
属性 |
详情 |
模型类型 |
基于Transformer的序列到序列(编码器 - 解码器)模型,用于端到端自动语音识别和语音翻译 |
训练数据 |
MuST - C 的英法子集 |
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。