🚀 埃尔齐亚语翻译模型
本模型可将文本从 11 种其他语言(ru,fi,de,es,en,hi,zh,tr,uk,fr,ar
)翻译成埃尔齐亚语(myv
,西里尔字母书写)。查看其演示!
该模型在论文The first neural machine translation system for the Erzya language中有所描述。
✨ 主要特性
- 多语言支持:支持 11 种语言到埃尔齐亚语的翻译。
- 模型基础:基于 facebook/mbart-large-50,但更新了词汇表和检查点:
- 为埃尔齐亚语添加了额外的语言标记
myv_XX
和 19K 个新的 BPE 标记。
- 经过微调,实现从埃尔齐亚语先翻译成俄语,再翻译成其他 11 种语言。
📦 安装指南
文档未提及具体安装步骤,可参考 Hugging Face 上该模型的相关依赖安装说明。
💻 使用示例
基础用法
from transformers import MBartForConditionalGeneration, MBart50Tokenizer
def fix_tokenizer(tokenizer):
""" Add a new language token to the tokenizer vocabulary (this should be done each time after its initialization) """
old_len = len(tokenizer) - int('myv_XX' in tokenizer.added_tokens_encoder)
tokenizer.lang_code_to_id['myv_XX'] = old_len-1
tokenizer.id_to_lang_code[old_len-1] = 'myv_XX'
tokenizer.fairseq_tokens_to_ids["<mask>"] = len(tokenizer.sp_model) + len(tokenizer.lang_code_to_id) + tokenizer.fairseq_offset
tokenizer.fairseq_tokens_to_ids.update(tokenizer.lang_code_to_id)
tokenizer.fairseq_ids_to_tokens = {v: k for k, v in tokenizer.fairseq_tokens_to_ids.items()}
if 'myv_XX' not in tokenizer._additional_special_tokens:
tokenizer._additional_special_tokens.append('myv_XX')
tokenizer.added_tokens_encoder = {}
def translate(text, model, tokenizer, src='ru_RU', trg='myv_XX', max_length='auto', num_beams=3, repetition_penalty=5.0, train_mode=False, n_out=None, **kwargs):
tokenizer.src_lang = src
encoded = tokenizer(text, return_tensors="pt", truncation=True, max_length=1024)
if max_length == 'auto':
max_length = int(32 + 1.5 * encoded.input_ids.shape[1])
if train_mode:
model.train()
else:
model.eval()
generated_tokens = model.generate(
**encoded.to(model.device),
forced_bos_token_id=tokenizer.lang_code_to_id[trg],
max_length=max_length,
num_beams=num_beams,
repetition_penalty=repetition_penalty,
num_return_sequences=n_out or 1,
**kwargs
)
out = tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)
if isinstance(text, str) and n_out is None:
return out[0]
return out
mname = 'slone/mbart-large-51-myv-mul-v1'
model = MBartForConditionalGeneration.from_pretrained(mname)
tokenizer = MBart50Tokenizer.from_pretrained(mname)
fix_tokenizer(tokenizer)
print(translate('Шумбрат, киска!', model, tokenizer, src='myv_XX', trg='ru_RU'))
print(translate('Шумбрат, киска!', model, tokenizer, src='myv_XX', trg='en_XX'))
📚 详细文档
该模型使用的数据集包括:
📄 许可证
本模型采用 CC BY-SA 4.0 许可证。
属性 |
详情 |
支持语言 |
俄语(ru)、芬兰语(fi)、德语(de)、西班牙语(es)、英语(en)、印地语(hi)、中文(zh)、土耳其语(tr)、乌克兰语(uk)、法语(fr)、阿拉伯语(ar)到埃尔齐亚语(myv) |
模型类型 |
基于 facebook/mbart-large-50 微调的翻译模型 |
训练数据 |
slone/myv_ru_2022、yhavinga/ccmatrix |
许可证 |
CC BY-SA 4.0 |