/ 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
transformers
Опубликована
29 ноя 2023

seamless-m4t-v2-large

Распознавание речиАудио → текст8 профессий

Многоязычная модель Meta для распознавания и перевода речи и текста с возможностью синтеза речи.

303 тыс.скачиваний за 30 дней1 027лайковвеса обновлены4 янв 2024

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 оценки14

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

  • MInDS14

    main_score

    Результат

    0,9036

    Общий результат 0,9197Общий результат 0,8918Общий результат 0,6779
    MTEB

    Публичная таблицаревизия совпадает

  • SIBFLEURS

    main_score

    Результат

    0,3565

    Общий результат 0,6162Общий результат 0,5719Общий результат 0,5514
    MTEB

    Публичная таблицаревизия совпадает

  • VocalSound

    main_score

    Результат

    0,6462

    MTEB

    Публичная таблицаревизия совпадает

  • CREMADPairClassification

    main_score

    Результат

    0,5327

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebClustering

    main_score

    Результат

    0,0038

    MTEB

    Публичная таблицаревизия совпадает

  • SpeechCommands

    main_score

    Результат

    0,8455

    MTEB

    Публичная таблицаревизия совпадает

  • IEMOCAPGender

    main_score

    Результат

    0,5372

    MTEB

    Публичная таблицаревизия совпадает

  • FSD2019Kaggle

    main_score

    Результат

    0,1627

    MTEB

    Публичная таблицаревизия совпадает

  • UrbanSound8KAudioReranking

    main_score

    Результат

    0,4942

    MTEB

    Публичная таблицаревизия совпадает

  • FSDnoisy18kAudioReranking

    main_score

    Результат

    0,4509

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenreClustering

    main_score

    Результат

    0,2565

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50Clustering

    main_score

    Результат

    0,4219

    MTEB

    Публичная таблицаревизия совпадает

  • BeijingOpera

    main_score

    Результат

    0,6615

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliAccentID

    main_score

    Результат

    0,1328

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SeamlessM4T v2 Large — мультимодальная многоязычная модель перевода от Meta, построенная на архитектуре UnitY2. Она поддерживает распознавание речи, перевод речи в текст и текста в текст, а также перевод речи и текста с синтезом речи. По карточке модели, она принимает речь на 101 языке, текст на 96 языках и генерирует речь на 35 языках. Версия v2 улучшает качество и скорость генерации речи по сравнению с SeamlessM4T v1.

Репозиторий содержит вариант на 664,9 млн параметров, доступный через Transformers; длина контекста — 4096 токенов. Лицензия CC-BY-NC-4.0 разрешает использование на условиях указания авторства и запрещает коммерческое применение.

Сценарии применения

  • распознавание речи и преобразование её в текст
  • перевод устной речи в текст на другом языке
  • перевод текста с синтезом речи
  • перевод речи с сохранением голосового формата
  • перевод текстов между поддерживаемыми языками

Ограничения

Лицензия запрещает коммерческое использование. Поддержка языков зависит от направления задачи: речь, текст и синтез речи доступны для разных наборов языков.

Для каких профессий подходит8

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.config.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.config.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 · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SeamlessM4Tv2Model
Ревизия весов
5f8cc79

0 моделей