/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
fairseq
Опубликована
7 окт 2022

xm_transformer_s2ut_hk-en

Обработка аудиоАудио → аудио3 профессии

Модель fairseq переводит речь с хоккиенского на английский и синтезирует результат в виде английской речи.

22скачиваний за 30 дней11лайковвеса обновлены20 дек 2022

Бенчмарки

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

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/xm_transformer_s2ut_hk-en — модель перевода речи с хоккиенского на английский, разработанная в рамках проекта fairseq. Она использует архитектуру S2UT с однопроходным декодером: принимает речь на хоккиенском и генерирует английскую речь. Для синтеза применяется vocoder-модель facebook/unit_hifigan_mhubert_vp_en_es_fr_it3_400k_layer11_km1000_lj_dur. Модель обучена на размеченных данных из TED, драматических произведений и домена TAT, а также на слабой разметке для драматических данных.

Модель предназначена для сквозного речевого перевода, когда нужен аудиовыход на английском без отдельного этапа распознавания текста пользователем. Репозиторий распространяется в формате PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Сценарии применения

  • перевод устной речи на хоккиенском на английский
  • создание английской аудиодорожки для видео или выступления на хоккиенском
  • речевой перевод диалогов и драматических сцен с хоккиенского на английский

Ограничения

Обучающие данные охватывают TED, драматические произведения и TAT, поэтому качество на других темах и стилях речи может отличаться. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

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

xm_transformer_s2ut_hk-en

Speech-to-speech translation model with single-pass decoder (S2UT) from fairseq:

Usage

import json
import os
from pathlib import Path

import IPython.display as ipd
from fairseq import hub_utils
from fairseq.checkpoint_utils import load_model_ensemble_and_task_from_hf_hub
from fairseq.models.speech_to_text.hub_interface import S2THubInterface
from fairseq.models.text_to_speech import CodeHiFiGANVocoder
from fairseq.models.text_to_speech.hub_interface import VocoderHubInterface

from huggingface_hub import snapshot_download
import torchaudio

cache_dir = os.getenv("HUGGINGFACE_HUB_CACHE")

models, cfg, task = load_model_ensemble_and_task_from_hf_hub(
    "facebook/xm_transformer_s2ut_hk-en",
    arg_overrides={"config_yaml": "config.yaml", "task": "speech_to_text"},
    cache_dir=cache_dir,
)
#model = models[0].cpu()
#cfg["task"].cpu = True
generator = task.build_generator([model], cfg)


# requires 16000Hz mono channel audio
audio, _ = torchaudio.load("/path/to/an/audio/file")

sample = S2THubInterface.get_model_input(task, audio)
unit = S2THubInterface.get_prediction(task, model, generator, sample)

# speech synthesis           
library_name = "fairseq"
cache_dir = (
    cache_dir or (Path.home() / ".cache" / library_name).as_posix()
)
cache_dir = snapshot_download(
    f"facebook/unit_hifigan_mhubert_vp_en_es_fr_it3_400k_layer11_km1000_lj_dur", cache_dir=cache_dir, library_name=library_name
)

x = hub_utils.from_pretrained(
    cache_dir,
    "model.pt",
    ".",
    archive_map=CodeHiFiGANVocoder.hub_models(),
    config_yaml="config.json",
    fp16=False,
    is_vocoder=True,
)

with open(f"{x['args']['data']}/config.json") as f:
    vocoder_cfg = json.load(f)
assert (
    len(x["args"]["model_path"]) == 1
), "Too many vocoder models in the input"

vocoder = CodeHiFiGANVocoder(x["args"]["model_path"][0], vocoder_cfg)
tts_model = VocoderHubInterface(vocoder_cfg, vocoder)

tts_sample = tts_model.get_model_input(unit)
wav, sr = tts_model.get_prediction(tts_sample)

ipd.Audio(wav, rate=sr)

Как запустить

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

GPU в ailist

Универсальный рантайм · fairseq

Нельзя запустить

Модели fairseq требуют отдельного рантайма.

Ревизия весов
01546ab

0 моделей