语言:

• 英语
• 爱沙尼亚语 数据集:
• covost2 标签:
• 音频
• 语音翻译
• 自动语音识别 许可证: mit 管道标签: 自动语音识别 小部件:
• 示例标题: Librispeech 样本 1 src: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• 示例标题: Librispeech 样本 2 src: https://cdn-media.huggingface.co/speech_samples/sample2.flac

S2T-SMALL-COVOST2-EN-ET-ST

s2t-small-covost2-en-et-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，并在这个代码库中发布。

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。该模型通过标准的自回归交叉熵损失进行训练，并自回归生成转录/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爱沙尼亚语文本翻译。 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，您可以使用generate方法通过将语音特征传递给模型来生成转录文本。

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

您可以通过pip install transformers"[speech, sentencepiece]"安装这些额外的语音依赖项，或单独安装这些包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-covost2-en-et-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-en-et-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)

训练数据

s2t-small-covost2-en-et-st模型在CoVoST2的英语-爱沙尼亚语子集上进行训练。 CoVoST是一个基于Common Voice的大规模多语言语音翻译语料库，旨在通过有史以来最大的开放数据集促进语音翻译研究。

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的CMVN（倒谱均值和方差归一化）。

文本经过小写处理，并使用基于字符的SentencePiece词汇表进行分词。

训练

该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

CoVOST2测试集上英语-爱沙尼亚语的BLEU得分：13.01