Indic Seamless
基于SeamlessM4T-v2微调的印度语言语音转文字翻译模型,支持13种印度语言,性能超越基础模型及竞争系统。
下载量 917
发布时间 : 3/4/2025
模型简介
该模型专用于印度语言的语音转文字翻译(STT),在BhasaAnuvaad数据集上微调而成,在Fleurs数据集上创下新纪录。
模型特点
多语言支持
支持13种印度语言,覆盖主要印度语系。
高性能
在Fleurs数据集上创下新纪录,并在BhasaAnuvaad测试集上显著优于其他系统。
严格数据筛选
训练前对数据集进行了对齐分数(0.8)和挖掘分数(0.6)的阈值过滤。
模型能力
语音转文字翻译
多语言语音识别
批量音频处理
使用案例
语音转录
单音频转录
将单个音频文件转录为指定印度语言的文字
准确率高于基础模型和竞争系统
批量处理
数据集批量转录
对Fleurs等语音数据集进行批量转录处理
支持批量处理,效率高
🚀 IndicSeamless语音转文本翻译模型
IndicSeamless是一个用于印度语言语音转文本翻译的模型,它基于SeamlessM4T - v2在特定数据集上微调而来,在性能上超越了基础模型和其他竞争系统。
🚀 快速开始
安装
确保你已经安装了所需的依赖项:
pip install torch torchaudio transformers datasets
加载模型
import torchaudio
from transformers import SeamlessM4Tv2ForSpeechToText
from transformers import SeamlessM4TTokenizer, SeamlessM4TFeatureExtractor
model = SeamlessM4Tv2ForSpeechToText.from_pretrained("ai4bharat/indic-seamless").to("cuda")
processor = SeamlessM4TFeatureExtractor.from_pretrained("ai4bharat/indic-seamless")
tokenizer = SeamlessM4TTokenizer.from_pretrained("ai4bharat/indic-seamless")
单音频推理
audio, orig_freq = torchaudio.load("../10002398547238927970.wav")
audio = torchaudio.functional.resample(audio, orig_freq=orig_freq, new_freq=16_000) # must be a 16 kHz waveform array
audio_inputs = processor(audio, sampling_rate=16_000, return_tensors="pt").to("cuda")
text_out = model.generate(**audio_inputs, tgt_lang="hin")[0].cpu().numpy().squeeze()
print(tokenizer.decode(text_out, clean_up_tokenization_spaces=True, skip_special_tokens=True))
在Fleurs数据集上推理
from datasets import load_dataset
dataset = load_dataset("google/fleurs", "hi_in", split="test")
def process_audio(example):
audio = example["audio"]["array"]
audio_inputs = processor(audio, sampling_rate=16_000, return_tensors="pt").to("cuda")
text_out = model.generate(**audio_inputs, tgt_lang="hin")[0].cpu().numpy().squeeze()
return {"predicted_text": tokenizer.decode(text_out, clean_up_tokenization_spaces=True, skip_special_tokens=True)}
dataset = dataset.map(process_audio)
dataset = dataset.remove_columns(["audio"])
dataset.to_csv("fleurs_hi_predictions.csv")
使用Fleurs进行批量翻译
from datasets import load_dataset
import torch
def process_batch(batch):
audio_arrays = [audio["array"] for audio in batch["audio"]]
audio_inputs = processor(audio_arrays, sampling_rate=16_000, return_tensors="pt", padding=True).to("cuda")
text_outs = model.generate(**audio_inputs, tgt_lang="hin")
batch["predicted_text"] = [tokenizer.decode(text_out.cpu().numpy().squeeze(), clean_up_tokenization_spaces=True, skip_special_tokens=True) for text_out in text_outs]
return batch
def batch_translate(language_code="hi_in", tgt_lang="hin"):
dataset = load_dataset("google/fleurs", language_code, split="test")
dataset = dataset.map(process_batch, batched=True, batch_size=8)
return dataset["predicted_text"]
# Example usage
target_language = "hi_in"
translations = batch_translate(target_language, tgt_lang="hin")
print(translations)
✨ 主要特性
- 性能卓越:该模型在性能上超越了基础的SeamlessM4Tv2模型以及所有竞争的语音转文本系统,包括级联方法。
- 创造新纪录:在Fleurs数据集上取得了新的最优成绩,并在BhasaAnuvaad测试集上显著超越了所有其他系统,该测试集包含来自新领域的多样化数据。
📦 安装指南
确保你已经安装了所需的依赖项:
pip install torch torchaudio transformers datasets
💻 使用示例
基础用法
import torchaudio
from transformers import SeamlessM4Tv2ForSpeechToText
from transformers import SeamlessM4TTokenizer, SeamlessM4TFeatureExtractor
model = SeamlessM4Tv2ForSpeechToText.from_pretrained("ai4bharat/indic-seamless").to("cuda")
processor = SeamlessM4TFeatureExtractor.from_pretrained("ai4bharat/indic-seamless")
tokenizer = SeamlessM4TTokenizer.from_pretrained("ai4bharat/indic-seamless")
audio, orig_freq = torchaudio.load("../10002398547238927970.wav")
audio = torchaudio.functional.resample(audio, orig_freq=orig_freq, new_freq=16_000) # must be a 16 kHz waveform array
audio_inputs = processor(audio, sampling_rate=16_000, return_tensors="pt").to("cuda")
text_out = model.generate(**audio_inputs, tgt_lang="hin")[0].cpu().numpy().squeeze()
print(tokenizer.decode(text_out, clean_up_tokenization_spaces=True, skip_special_tokens=True))
高级用法
在Fleurs数据集上推理
from datasets import load_dataset
dataset = load_dataset("google/fleurs", "hi_in", split="test")
def process_audio(example):
audio = example["audio"]["array"]
audio_inputs = processor(audio, sampling_rate=16_000, return_tensors="pt").to("cuda")
text_out = model.generate(**audio_inputs, tgt_lang="hin")[0].cpu().numpy().squeeze()
return {"predicted_text": tokenizer.decode(text_out, clean_up_tokenization_spaces=True, skip_special_tokens=True)}
dataset = dataset.map(process_audio)
dataset = dataset.remove_columns(["audio"])
dataset.to_csv("fleurs_hi_predictions.csv")
使用Fleurs进行批量翻译
from datasets import load_dataset
import torch
def process_batch(batch):
audio_arrays = [audio["array"] for audio in batch["audio"]]
audio_inputs = processor(audio_arrays, sampling_rate=16_000, return_tensors="pt", padding=True).to("cuda")
text_outs = model.generate(**audio_inputs, tgt_lang="hin")
batch["predicted_text"] = [tokenizer.decode(text_out.cpu().numpy().squeeze(), clean_up_tokenization_spaces=True, skip_special_tokens=True) for text_out in text_outs]
return batch
def batch_translate(language_code="hi_in", tgt_lang="hin"):
dataset = load_dataset("google/fleurs", language_code, split="test")
dataset = dataset.map(process_batch, batched=True, batch_size=8)
return dataset["predicted_text"]
# Example usage
target_language = "hi_in"
translations = batch_translate(target_language, tgt_lang="hin")
print(translations)
📚 详细文档
本仓库托管了IndicSeamless模型,它是基于SeamlessM4T - v2在BhasaAnuvaad数据集上进行微调的,用于跨印度语言的语音转文本翻译(STT)。在训练前,数据集使用以下阈值进行了过滤:
- 对齐分数:0.8
- 挖掘分数:0.6
🔧 技术细节
该模型基于SeamlessM4T - v2进行微调,在BhasaAnuvaad数据集上进行训练。训练前对数据集进行了过滤,设置了对齐分数和挖掘分数的阈值,以保证数据质量。在性能上,它超越了基础的SeamlessM4Tv2模型以及所有竞争的语音转文本系统,在Fleurs和BhasaAnuvaad测试集上取得了优异的成绩。
📄 许可证
本模型根据知识共享署名 - 非商业性使用 4.0 国际许可协议(CC BY - NC 4.0)发布。
📄 引用
如果你在工作中使用了BhasaAnuvaad,请引用我们:
@misc{jain2024bhasaanuvaadspeechtranslationdataset,
title={BhasaAnuvaad: A Speech Translation Dataset for 13 Indian Languages},
author={Sparsh Jain and Ashwin Sankar and Devilal Choudhary and Dhairya Suman and Nikhil Narasimhan and Mohammed Safi Ur Rahman Khan and Anoop Kunchukuttan and Mitesh M Khapra and Raj Dabre},
year={2024},
eprint={2411.04699},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2411.04699},
}
📋 模型信息
属性 | 详情 |
---|---|
库名称 | transformers |
数据集 | ai4bharat/NPTEL、ai4bharat/IndicVoices - ST、ai4bharat/WordProject、ai4bharat/Spoken - Tutorial、ai4bharat/Mann - ki - Baat、ai4bharat/Vanipedia、ai4bharat/UGCE - Resources |
任务类型 | 自动语音识别 |
支持语言 | 英语、阿萨姆语、孟加拉语、古吉拉特语、印地语、泰米尔语、泰卢固语、乌尔都语、卡纳达语、马拉雅拉姆语、马拉地语、信德语、尼泊尔语 |
许可证 | 知识共享署名 - 非商业性使用 4.0 国际许可协议(CC BY - NC 4.0) |
Voice Activity Detection
MIT
基于pyannote.audio 2.1版本的语音活动检测模型,用于识别音频中的语音活动时间段
语音识别
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
这是一个针对葡萄牙语语音识别任务微调的XLSR-53大模型,基于Common Voice 6.1数据集训练,支持葡萄牙语语音转文本。
语音识别 其他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
Whisper是由OpenAI提出的先进自动语音识别(ASR)和语音翻译模型,在超过500万小时的标注数据上训练,具有强大的跨数据集和跨领域泛化能力。
语音识别 支持多种语言
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
Whisper是由OpenAI开发的最先进的自动语音识别(ASR)和语音翻译模型,经过超过500万小时标记数据的训练,在零样本设置下展现出强大的泛化能力。
语音识别
Transformers 支持多种语言

W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的俄语语音识别模型,支持16kHz采样率的语音输入
语音识别 其他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的中文语音识别模型,支持16kHz采样率的语音输入。
语音识别 中文
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53微调的荷兰语语音识别模型,在Common Voice和CSS10数据集上训练,支持16kHz音频输入。
语音识别 其他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的日语语音识别模型,支持16kHz采样率的语音输入
语音识别 日语
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
基于Hugging Face预训练模型的文本与音频强制对齐工具,支持多种语言,内存效率高
语音识别
Transformers 支持多种语言

M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53微调的阿拉伯语语音识别模型,在Common Voice和阿拉伯语语音语料库上训练
语音识别 阿拉伯语
W
jonatasgrosman
2.3M
37
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98