语言:

• 英语
• 意大利语 数据集:
• MuST-C 标签:
• 音频
• 语音翻译
• 自动语音识别 许可证: MIT 任务标签: 自动语音识别 示例:
• 示例标题: Librispeech 样本 1 来源: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• 示例标题: Librispeech 样本 2 来源: https://cdn-media.huggingface.co/speech_samples/sample2.flac

S2T-SMALL-MUSTC-EN-IT-ST

s2t-small-mustc-en-it-st 是一个用于端到端语音翻译（ST）的语音到文本转换器（S2T）模型。该S2T模型在这篇论文中提出，并在此代码库中发布。

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）设计。它使用卷积下采样器在将语音输入送入编码器之前将其长度减少3/4。模型通过标准的自回归交叉熵损失进行训练，并自回归地生成转录/翻译文本。

预期用途与限制

该模型可用于端到端的英语语音到意大利语文本翻译。查看模型中心以寻找其他S2T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并使用generate方法生成转录文本。

注意：Speech2TextProcessor对象使用torchaudio提取滤波器组特征。在运行此示例前，请确保已安装torchaudio包。

您可以通过pip install transformers"[speech, sentencepiece]"安装这些额外的语音依赖项，或单独安装包pip install torchaudio sentencepiece。

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset
import soundfile as sf

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-mustc-en-it-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-mustc-en-it-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"
)
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"])

translation = processor.batch_decode(generated_ids, skip_special_tokens=True)

训练数据

s2t-small-mustc-en-it-st模型在MuST-C的英语-意大利语子集上进行训练。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包含数百小时的英语TED演讲音频录音，这些录音在句子级别自动与其手动转录和翻译对齐。

训练过程

预处理

语音数据通过从WAV/FLAC音频文件中自动提取符合Kaldi标准的80通道对数梅尔滤波器组特征进行预处理，使用PyKaldi或torchaudio。此外，对每个样本应用了话语级别的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，词汇量为8,000。

训练

模型使用标准的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，编码器在英语ASR任务上进行了预训练。

评估结果

MuST-C测试集上的英语-意大利语翻译结果（BLEU分数）：22.7

BibTeX条目和引用信息

@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},
}