/ Модель

Характеристики

Параметры
14,6 млн
Лицензия
MIT
Архитектура
speech_to_text · dense
Опубликована
2 мар 2022

s2t-small-mustc-en-fr-st

Распознавание речиАудио → текст3 профессии

Компактная модель Facebook переводит английскую речь в текст на французском языке.

6 150скачиваний за 30 дней5лайковвеса обновлены24 янв 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

facebook/s2t-small-mustc-en-fr-st — модель Speech to Text Transformer, разработанная Facebook для сквозного перевода английской речи в текст на французском языке. Она обучена на англо-французской части корпуса MuST-C, содержащей записи выступлений TED Talks с транскрипциями и переводами.

Модель построена на архитектуре Transformer encoder-decoder с последовательным авторегрессионным декодированием. Свёрточный модуль уменьшает длину речевых признаков перед подачей в энкодер; используются 80-канальные log-Mel фильтры и SentencePiece с словарём из 8 000 токенов. Размер модели — 14,6 млн параметров. На тестовой части MuST-C для направления en-fr указана оценка BLEU 32,9.

Модель предназначена для преобразования английской речи во французский текст и может применяться для перевода выступлений и записей. Обучение энкодера предварительно выполнялось для распознавания английской речи, но основное назначение этой версии — речевой перевод. Репозиторий содержит веса PyTorch и TensorFlow; лицензия — MIT.

Сценарии применения

  • перевод выступлений TED Talks с английского на французский
  • создание французских субтитров к англоязычным аудиозаписям
  • перевод англоязычных лекций и презентаций в текст
  • преобразование англоязычной речи в письменный французский

Ограничения

Модель ориентирована на перевод английской речи именно на французский и обучена на выступлениях TED Talks из MuST-C, поэтому качество на других языках, жанрах и акустических условиях не подтверждено.

Для каких профессий подходит3

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-MUSTC-EN-FR-ST

s2t-small-mustc-en-fr-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 English speech to French 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-mustc-en-fr-st")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-mustc-en-fr-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)

Training data

The s2t-small-mustc-en-fr-st is trained on English-French subset of MuST-C. MuST-C is a multilingual speech translation corpus whose size and quality facilitates the training of end-to-end systems for speech translation from English into several languages. For each target language, MuST-C comprises several hundred hours of audio recordings from English TED Talks, which are automatically aligned at the sentence level with their manual transcriptions and translations.

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 SentencePiece and a vocabulary size of 8,000.

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

MuST-C test results for en-fr (BLEU score): 32.9

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
97b6bca

0 моделей