S2t Small Covost2 En De St

🚀 S2T-SMALL-COVOST2-EN-DE-ST

s2t-small-covost2-en-de-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模型在本文中被提出，并在此仓库中发布。

✨ 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。
• 使用卷积下采样器将语音输入长度减少3/4，再输入到编码器中。
• 采用标准自回归交叉熵损失进行训练，并自回归地生成转录文本/翻译内容。

📦 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。
• 分别安装相关包：pip install torchaudio sentencepiece。

⚠️ 重要提示

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

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

预期用途与限制

• 该模型可用于端到端的英语语音到德语文本的翻译。
• 可查看模型中心以查找其他S2T检查点。

训练数据

s2t-small-covost2-en-de-st 模型在CoVoST2的英德子集上进行训练。CoVoST是一个基于Common Voice的大规模多语言ST语料库，旨在利用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。
• 对每个示例应用进一步的话语级CMVN（倒谱均值和方差归一化）。
• 文本进行小写处理，并使用基于字符的SentencePiece词汇表进行分词。

训练

• 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文本。
• 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

CoVoST2英德测试结果（BLEU分数）：16.29

🔧 技术细节

S2T是一个基于Transformer的序列到序列（编码器 - 解码器）模型。它使用卷积下采样器将语音输入长度减少3/4，再输入到编码器中。模型采用标准自回归交叉熵损失进行训练，自回归地生成转录文本/翻译内容。

📄 许可证

本项目采用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},
}