语言:

• 英语
• 土耳其语 数据集:
• covost2
• librispeech_asr 标签:
• 音频
• 语音翻译
• 自动语音识别
• 语音转文本2 许可证: mit 管道标签: 自动语音识别 小部件:
• 示例标题: 公共语音1 src: https://cdn-media.huggingface.co/speech_samples/common_voice_en_99989.mp3
• 示例标题: 公共语音2 src: https://cdn-media.huggingface.co/speech_samples/common_voice_en_99986.mp3
• 示例标题: 公共语音3 src: https://cdn-media.huggingface.co/speech_samples/common_voice_en_99987.mp3

S2T2-Wav2Vec2-CoVoST2-EN-TR-ST

s2t-wav2vec2-large-en-tr 是一个用于端到端语音翻译（ST）训练的语音转文本Transformer模型。
S2T2模型在论文《大规模自监督和半监督学习用于语音翻译》中提出，并正式发布于Fairseq。

模型描述

S2T2是一个基于Transformer的序列到序列（语音编码器-解码器）模型，专为端到端自动语音识别（ASR）和语音翻译（ST）设计。它使用预训练的Wav2Vec2作为编码器和一个基于Transformer的解码器。模型通过标准的自回归交叉熵损失进行训练，并以自回归方式生成翻译结果。

预期用途与限制

该模型可用于端到端的英语语音到土耳其语文本翻译。
查看模型中心以寻找其他S2T2检查点。

使用方法

由于这是一个标准的序列到序列Transformer模型，您可以通过将语音特征传递给模型的generate方法来生成转录文本。

您可以直接通过ASR管道使用该模型：

from datasets import load_dataset
from transformers import pipeline

librispeech_en = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
asr = pipeline("automatic-speech-recognition", model="facebook/s2t-wav2vec2-large-en-tr", feature_extractor="facebook/s2t-wav2vec2-large-en-tr")

translation = asr(librispeech_en[0]["file"])

或逐步操作如下：

import torch
from transformers import Speech2Text2Processor, SpeechEncoderDecoder
from datasets import load_dataset

import soundfile as sf
model = SpeechEncoderDecoder.from_pretrained("facebook/s2t-wav2vec2-large-en-tr")
processor = Speech2Text2Processor.from_pretrained("facebook/s2t-wav2vec2-large-en-tr")

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")
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"])
transcription = processor.batch_decode(generated_ids)

评估结果

CoVoST-V2测试集上英语到土耳其语的BLEU分数为：17.5

更多信息，请参阅官方论文——特别是表2的第10行。

BibTeX条目及引用信息

@article{DBLP:journals/corr/abs-2104-06678,
  author    = {Changhan Wang and
               Anne Wu and
               Juan Miguel Pino and
               Alexei Baevski and
               Michael Auli and
               Alexis Conneau},
  title     = {Large-Scale Self- and Semi-Supervised Learning for Speech Translation},
  journal   = {CoRR},
  volume    = {abs/2104.06678},
  year      = {2021},
  url       = {https://arxiv.org/abs/2104.06678},
  archivePrefix = {arXiv},
  eprint    = {2104.06678},
  timestamp = {Thu, 12 Aug 2021 15:37:06 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2104-06678.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}