S2t Small Covost2 En Ca St

🚀 S2T-SMALL-COVOST2-EN-CA-ST

s2t-small-covost2-en-ca-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

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S2T检查点。

作为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。

⚠️ 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。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-covost2-en-ca-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-en-ca-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=48_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，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：pip install torchaudio sentencepiece

💻 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-covost2-en-ca-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-en-ca-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=48_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

训练数据

s2t-small-covost2-en-ca-st 模型在 CoVoST2 的英语 - 加泰罗尼亚语子集上进行训练。CoVoST是一个基于 Common Voice 的大规模多语言ST语料库，旨在通过有史以来最大的开放数据集促进ST研究。

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，对每个示例应用了基于话语级别的CMVN（倒谱均值和方差归一化）。

文本被转换为小写，并使用基于字符的SentencePiece词汇进行分词。

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提高性能，编码器针对英语ASR进行了预训练。

评估结果

CoVoST2测试集上英语到加泰罗尼亚语的评估结果（BLEU分数）为21.68。

🔧 技术细节

S2T模型使用卷积下采样器，在将语音输入送入编码器之前，将其长度减少3/4。模型训练采用标准的自回归交叉熵损失，自回归地生成转录内容/翻译结果。

📄 许可证

本模型采用MIT许可证。

BibTeX引用

@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},
}