S2t Medium Mustc Multilingual St

🚀 S2T-MEDIUM-MUSTC-MULTILINGUAL-ST

s2t-medium-mustc-multilingual-st 是一个用于端到端多语言语音翻译（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法语文本的翻译。你可以访问 模型中心 查找其他S2T检查点。

✨ 主要特性

• 支持多种语言，包括英语、德语、荷兰语、西班牙语、法语、意大利语、葡萄牙语、罗马尼亚语和俄语。
• 基于Transformer架构的端到端语音识别和翻译模型。
• 使用卷积下采样器减少语音输入长度。
• 采用标准自回归交叉熵损失进行训练。

📦 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：

• 使用 pip install transformers"[speech, sentencepiece]" 一次性安装。
• 分别安装，使用 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-medium-mustc-multilingual-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-medium-mustc-multilingual-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")

# translate English Speech To French Text
generated_ids = model.generate(
    input_ids=inputs["input_features"],
    attention_mask=inputs["attention_mask"],
    forced_bos_token_id=processor.tokenizer.lang_code_to_id["fr"]
)
translation_fr = processor.batch_decode(generated_ids)

# translate English Speech To German Text
generated_ids = model.generate(
    input_ids=inputs["input_features"],
    attention_mask=inputs["attention_mask"],
    forced_bos_token_id=processor.tokenizer.lang_code_to_id["de"]
)
translation_de = 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。

📚 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，然后再将其输入到编码器中。该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。

预期用途和限制

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

训练数据

s2t-medium-mustc-multilingual-st 在 MuST-C 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语句级别的CMVN（倒谱均值和方差归一化）。

文本被转换为小写，并使用SentencePiece进行分词，词汇表大小为10,000。

训练

该模型使用标准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结果。为了加速模型训练并获得更好的性能，编码器针对多语言ASR进行了预训练。对于多语言模型，目标语言ID令牌用作目标BOS。

评估结果

MuST-C测试结果（BLEU分数）：

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。