/ Модель

Характеристики

Параметры
12,7 млн
Лицензия
MIT
Архитектура
speech_to_text · dense
Опубликована
2 мар 2022

s2t-small-covost2-fr-en-st

Распознавание речиАудио → текст4 профессии

Компактная модель Transformer для сквозного перевода французской речи в английский текст.

40скачиваний за 30 дней0лайковвеса обновлены7 сен 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 «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат 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

s2t-small-covost2-fr-en-st — компактная модель Speech to Text Transformer, обученная для сквозного перевода французской речи в английский текст. Разработчик — Facebook; модель основана на архитектуре Transformer encoder-decoder с предварительным свёрточным уменьшением длины аудиопризнаков. Она содержит 12,7 млн параметров и принимает речевые признаки, извлечённые из аудио WAV или FLAC.

Модель предназначена для перевода французских высказываний на английский. Она обучена на франко-английской части CoVoST2, использует 80-канальные log-mel признаки, нормализацию CMVN и SpecAugment; энкодер предварительно обучен для распознавания английской речи. На тестовой части CoVoST2 для направления fr-en указана оценка BLEU 26,25. Лицензия — MIT. Поскольку README описывает именно перевод речи, тег распознавания речи из метаданных отражает семейство задачи, но практическое назначение этой версии — речевой перевод.

Сценарии применения

  • перевод французских голосовых сообщений на английский
  • перевод французских аудиозаписей в английский текст
  • перевод французских реплик из аудио WAV или FLAC
  • оценка систем сквозного перевода речи на направлении французский—английский

Ограничения

Предназначена для перевода с французского на английский и обучена на соответствующей части CoVoST2; качество для других языковых направлений не заявлено. Метрика BLEU 26,25 относится к тестовой части CoVoST2 и сама по себе не гарантирует качество на произвольных аудиозаписях.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

S2T-SMALL-COVOST2-FR-EN-ST

s2t-small-covost2-fr-en-st is a Speech to Text Transformer (S2T) model trained for end-to-end Speech Translation (ST). The S2T model was proposed in this paper and released in this repository

Model description

S2T is a transformer-based seq2seq (encoder-decoder) model designed for end-to-end Automatic Speech Recognition (ASR) and Speech Translation (ST). It uses a convolutional downsampler to reduce the length of speech inputs by 3/4th before they are fed into the encoder. The model is trained with standard autoregressive cross-entropy loss and generates the transcripts/translations autoregressively.

Intended uses & limitations

This model can be used for end-to-end French speech to English text translation. See the model hub to look for other S2T checkpoints.

How to use

As this a standard sequence to sequence transformer model, you can use the generate method to generate the transcripts by passing the speech features to the model.

Note: The Speech2TextProcessor object uses torchaudio to extract the filter bank features. Make sure to install the torchaudio package before running this example.

You could either install those as extra speech dependancies with pip install transformers"[speech, sentencepiece]" or install the packages seperatly with 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-fr-en-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-covost2-fr-en-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)

Training data

The s2t-small-covost2-fr-en-st is trained on French-English subset of CoVoST2. CoVoST is a large-scale multilingual ST corpus based on Common Voice, created to to foster ST research with the largest ever open dataset

Training procedure

Preprocessing

The speech data is pre-processed by extracting Kaldi-compliant 80-channel log mel-filter bank features automatically from WAV/FLAC audio files via PyKaldi or torchaudio. Further utterance-level CMVN (cepstral mean and variance normalization) is applied to each example.

The texts are lowercased and tokenized using character based SentencePiece vocab.

Training

The model is trained with standard autoregressive cross-entropy loss and using SpecAugment. The encoder receives speech features, and the decoder generates the transcripts autoregressively. To accelerate model training and for better performance the encoder is pre-trained for English ASR.

Evaluation results

CoVOST2 test results for fr-en (BLEU score): 26.25

BibTeX entry and citation info

@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},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Speech2TextForConditionalGeneration
Ревизия весов
a5ebd62

0 моделей