/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
665 млн
Размер весов
9,2 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
seamless_m4t_v2 · dense
Библиотека
seamless_communication
Опубликована
3 дек 2023

seamless-m4t-v2-large

Синтез речиТекст → аудио7 профессий

SeamlessM4T v2 Large распознаёт речь и переводит речь и текст между многими языками, включая синтез речи на целевом языке.

20скачиваний за 30 дней24лайкавеса обновлены3 дек 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SeamlessM4T v2 Large — мультимодальная многоязычная модель перевода и речи семейства SeamlessM4T, разработанная командой авторов карточки. Репозиторий содержит вариант на архитектуре UnitY2, в метаданных указаны 664,9 млн параметров, контекст 4096 токенов и формат safetensors. Модель предназначена для распознавания речи и перевода между речью и текстом: поддерживает преобразование речи в текст, текста в речь, а также речевой перевод с речевым или текстовым результатом.

По README, модель принимает речь на 101 языке и текст на 96 языках, а генерирует речь на 35 языках. Архитектура UnitY2 с иерархическим преобразованием символов в речевые единицы и неавторегрессионным декодированием ускоряет генерацию речи и повышает её качество по сравнению с первой версией. В метаданных репозитория указана лицензия CC BY-NC 4.0, допускающая использование с некоммерческими ограничениями.

Сценарии применения

  • распознавание речи и преобразование её в текст
  • перевод произнесённой фразы в текст на другом языке
  • перевод речи с сохранением речевого формата
  • синтез речи по тексту на поддерживаемом языке
  • перевод текста и озвучивание перевода

Ограничения

Речевой вывод поддерживается для 35 языков, а текстовый ввод и вывод — для 96, поэтому доступные направления зависят от языка и модальности. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SeamlessM4T v2

SeamlessM4T is our foundational all-in-one Massively Multilingual and Multimodal Machine Translation model delivering high-quality translation for speech and text in nearly 100 languages.

SeamlessM4T models support the tasks of:

  • Speech-to-speech translation (S2ST)
  • Speech-to-text translation (S2TT)
  • Text-to-speech translation (T2ST)
  • Text-to-text translation (T2TT)
  • Automatic speech recognition (ASR).

SeamlessM4T models support:

  • 🎤 101 languages for speech input.
  • 💬 96 Languages for text input/output.
  • 🔊 35 languages for speech output.

🌟 We are releasing SeamlessM4T v2, an updated version with our novel UnitY2 architecture. This new model improves over SeamlessM4T v1 in quality as well as inference speed in speech generation tasks.

The v2 version of SeamlessM4T is a multitask adaptation of our novel UnitY2 architecture. Unity2 with its hierarchical character-to-unit upsampling and non-autoregressive text-to-unit decoding considerably improves over SeamlessM4T v1 in quality and inference speed.

SeamlessM4T v2 is also supported by 🤗 Transformers, more on it in the dedicated section below.

SeamlessM4T architectures

SeamlessM4T models

Model Name#paramscheckpointmetrics
SeamlessM4T-Large v22.3Bcheckpointmetrics
SeamlessM4T-Large (v1)2.3Bcheckpointmetrics
SeamlessM4T-Medium (v1)1.2Bcheckpointmetrics

We provide the extensive evaluation results of seamlessM4T-Large and SeamlessM4T-Medium reported in the paper (as averages) in the metrics files above.

The evaluation data ids for FLEURS, CoVoST2 and CVSS-C can be found here

Evaluating SeamlessM4T models

To reproduce our results or to evaluate using the same metrics over your own test sets, please check out the Evaluation README here.

Finetuning SeamlessM4T models

Please check out the Finetuning README here.

Transformers usage

SeamlessM4T is available in the 🤗 Transformers library, requiring minimal dependencies. Steps to get started:

  1. First install the 🤗 Transformers library from main and sentencepiece:
pip install git+https://github.com/huggingface/transformers.git sentencepiece
  1. Run the following Python code to generate speech samples. Here the target language is Russian:
from transformers import AutoProcessor, SeamlessM4Tv2Model
import torchaudio

processor = AutoProcessor.from_pretrained("facebook/seamless-m4t-v2-large")
model = SeamlessM4Tv2Model.from_pretrained("facebook/seamless-m4t-v2-large")

# from text
text_inputs = processor(text = "Hello, my dog is cute", src_lang="eng", return_tensors="pt")
audio_array_from_text = model.generate(**text_inputs, tgt_lang="rus")[0].cpu().numpy().squeeze()

# from audio
audio, orig_freq =  torchaudio.load("https://www2.cs.uic.edu/~i101/SoundFiles/preamble10.wav")
audio =  torchaudio.functional.resample(audio, orig_freq=orig_freq, new_freq=16_000) # must be a 16 kHz waveform array
audio_inputs = processor(audios=audio, return_tensors="pt")
audio_array_from_audio = model.generate(**audio_inputs, tgt_lang="rus")[0].cpu().numpy().squeeze()
  1. Listen to the audio samples either in an ipynb notebook:
from IPython.display import Audio

sample_rate = model.sampling_rate
Audio(audio_array_from_text, rate=sample_rate)
# Audio(audio_array_from_audio, rate=sample_rate)

Or save them as a .wav file using a third-party library, e.g. scipy:

import scipy

sample_rate = model.sampling_rate
scipy.io.wavfile.write("out_from_text.wav", rate=sample_rate, data=audio_array_from_text)
# scipy.io.wavfile.write("out_from_audio.wav", rate=sample_rate, data=audio_array_from_audio)

For more details on using the SeamlessM4T model for inference using the 🤗 Transformers library, refer to the SeamlessM4T v2 docs or to this hands-on Google Colab.

Supported Languages:

Listed below, are the languages supported by SeamlessM4T-large (v1/v2). The source column specifies whether a language is supported as source speech (Sp) and/or source text (Tx). The target column specifies whether a language is supported as target speech (Sp) and/or target text (Tx).

codelanguagescriptSourceTarget
afrAfrikaansLatnSp, TxTx
amhAmharicEthiSp, TxTx
arbModern Standard ArabicArabSp, TxSp, Tx
aryMoroccan ArabicArabSp, TxTx
arzEgyptian ArabicArabSp, TxTx
asmAssameseBengSp, TxTx
astAsturianLatnSp--
azjNorth AzerbaijaniLatnSp, TxTx
belBelarusianCyrlSp, TxTx
benBengaliBengSp, TxSp, Tx
bosBosnianLatnSp, TxTx
bulBulgarianCyrlSp, TxTx
catCatalanLatnSp, TxSp, Tx
cebCebuanoLatnSp, TxTx
cesCzechLatnSp, TxSp, Tx
ckbCentral KurdishArabSp, TxTx
cmnMandarin ChineseHansSp, TxSp, Tx
cmn_HantMandarin ChineseHantSp, TxSp, Tx
cymWelshLatnSp, TxSp, Tx
danDanishLatnSp, TxSp, Tx
deuGermanLatnSp, TxSp, Tx
ellGreekGrekSp, TxTx
engEnglishLatnSp, TxSp, Tx
estEstonianLatnSp, TxSp, Tx
eusBasqueLatnSp, TxTx
finFinnishLatnSp, TxSp, Tx
fraFrenchLatnSp, TxSp, Tx
fuvNigerian FulfuldeLatnSp, TxTx
gazWest Central OromoLatnSp, TxTx
gleIrishLatnSp, TxTx
glgGalicianLatnSp, TxTx
gujGujaratiGujrSp, TxTx
hebHebrewHebrSp, TxTx
hinHindiDevaSp, TxSp, Tx
hrvCroatianLatnSp, TxTx
hunHungarianLatnSp, TxTx
hyeArmenianArmnSp, TxTx
iboIgboLatnSp, TxTx
indIndonesianLatnSp, TxSp, Tx
islIcelandicLatnSp, TxTx
itaItalianLatnSp, TxSp, Tx
javJavaneseLatnSp, TxTx
jpnJapaneseJpanSp, TxSp, Tx
kamKambaLatnSp--
kanKannadaKndaSp, TxTx
katGeorgianGeorSp, TxTx
kazKazakhCyrlSp, TxTx
keaKabuverdianuLatnSp--
khkHalh MongolianCyrlSp, TxTx
khmKhmerKhmrSp, TxTx
kirKyrgyzCyrlSp, TxTx
korKoreanKoreSp, TxSp, Tx
laoLaoLaooSp, TxTx
litLithuanianLatnSp, TxTx
ltzLuxembourgishLatnSp--
lugGandaLatnSp, TxTx
luoLuoLatnSp, TxTx
lvsStandard LatvianLatnSp, TxTx
maiMaithiliDevaSp, TxTx
malMalayalamMlymSp, TxTx
marMarathiDevaSp, TxTx
mkdMacedonianCyrlSp, TxTx
mltMalteseLatnSp, TxSp, Tx
mniMeiteiBengSp, TxTx
myaBurmeseMymrSp, TxTx
nldDutchLatnSp, TxSp, Tx
nnoNorwegian NynorskLatnSp, TxTx
nobNorwegian BokmålLatnSp, TxTx
npiNepaliDevaSp, TxTx
nyaNyanjaLatnSp, TxTx
ociOccitanLatnSp--
oryOdiaOryaSp, TxTx
panPunjabiGuruSp, TxTx
pbtSouthern PashtoArabSp, TxTx
pesWestern PersianArabSp, TxSp, Tx
polPolishLatnSp, TxSp, Tx
porPortugueseLatnSp, TxSp, Tx
ronRomanianLatnSp, TxSp, Tx
rusRussianCyrlSp, TxSp, Tx
slkSlovakLatnSp, TxSp, Tx
slvSlovenianLatnSp, TxTx
snaShonaLatnSp, TxTx
sndSindhiArabSp, TxTx
somSomaliLatnSp, TxTx
spaSpanishLatnSp, TxSp, Tx
srpSerbianCyrlSp, TxTx
sweSwedishLatnSp, TxSp, Tx
swhSwahiliLatnSp, TxSp, Tx
tamTamilTamlSp, TxTx
telTeluguTeluSp, TxSp, Tx
tgkTajikCyrlSp, TxTx
tglTagalogLatnSp, TxSp, Tx
thaThaiThaiSp, TxSp, Tx
turTurkishLatnSp, TxSp, Tx
ukrUkrainianCyrlSp, TxSp, Tx
urdUrduArabSp, TxSp, Tx
uznNorthern UzbekLatnSp, TxSp, Tx
vieVietnameseLatnSp, TxSp, Tx
xhoXhosaLatnSp--
yorYorubaLatnSp, TxTx
yueCantoneseHantSp, TxTx
zlmColloquial MalayLatnSp--
zsmStandard MalayLatnTxTx
zulZuluLatnSp, TxTx

Note that seamlessM4T-medium supports 200 languages in the text modality, and is based on NLLB-200 (see full list in asset card)

Citation

For SeamlessM4T v2, please cite :

@inproceedings{seamless2023,
   title="Seamless: Multilingual Expressive and Streaming Speech Translation",
   author="{Seamless Communication}, Lo{\"i}c Barrault, Yu-An Chung, Mariano Coria Meglioli, David Dale, Ning Dong, Mark Duppenthaler, Paul-Ambroise Duquenne, Brian Ellis, Hady Elsahar, Justin Haaheim, John Hoffman, Min-Jae Hwang, Hirofumi Inaguma, Christopher Klaiber, Ilia Kulikov, Pengwei Li, Daniel Licht, Jean Maillard, Ruslan Mavlyutov, Alice Rakotoarison, Kaushik Ram Sadagopan, Abinesh Ramakrishnan, Tuan Tran, Guillaume Wenzek, Yilin Yang, Ethan Ye, Ivan Evtimov, Pierre Fernandez, Cynthia Gao, Prangthip Hansanti, Elahe Kalbassi, Amanda Kallet, Artyom Kozhevnikov, Gabriel Mejia, Robin San Roman, Christophe Touret, Corinne Wong, Carleigh Wood, Bokai Yu, Pierre Andrews, Can Balioglu, Peng-Jen Chen, Marta R. Costa-juss{\`a}, Maha Elbayad, Hongyu Gong, Francisco Guzm{\'a}n, Kevin Heffernan, Somya Jain, Justine Kao, Ann Lee, Xutai Ma, Alex Mourachko, Benjamin Peloquin, Juan Pino, Sravya Popuri, Christophe Ropers, Safiyyah Saleem, Holger Schwenk, Anna Sun, Paden Tomasello, Changhan Wang, Jeff Wang, Skyler Wang, Mary Williamson",
  journal={ArXiv},
  year={2023}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · seamless_communication

Можно запустить

Подбираем GPU…

Класс архитектуры
SeamlessM4Tv2Model
Ревизия весов
e4de790

0 моделей