Wav2Vec2-XLS-R-300M-EN-15

Facebook的Wav2Vec2 XLS-R针对语音翻译进行了微调。

这是一个 SpeechEncoderDecoderModel 模型。编码器从 facebook/wav2vec2-xls-r-300m 检查点启动并且解码器从 facebook/mbart-large-50 检查点启动。因此，编码器-解码器模型在15个en -> {lang}翻译对的基础上进行了微调。

该模型可以将口语en（英语）翻译为以下书面语言 {lang}：

en -> {de, tr, fa, sv-SE, mn, zh-CN, cy, ca, sl, et, id, ar, ta, lv, ja}

有关详细信息，请参阅 official XLS-R paper 的5.1.1节。

用法

演示

可以在 this space 上测试模型。您可以选择目标语言，在英语中记录一些音频，然后坐下来看看检查点可以如何翻译输入。

示例

由于这是一个标准的序列到序列转换器模型，您可以使用generate方法通过将语音特征传递给模型来生成转录。

您可以通过ASR流水线直接使用模型。默认情况下，检查点将口语英语翻译为书面德语。要更改书面目标语言，您需要传递正确的forced_bos_token_id给generate(...)，以便将解码器与正确的目标语言进行配对。

要根据所选择的语言ID选择正确的forced_bos_token_id，请使用以下映射：

MAPPING = {
    "de": 250003,
    "tr": 250023,
    "fa": 250029,
    "sv": 250042,
    "mn": 250037,
    "zh": 250025,
    "cy": 250007,
    "ca": 250005,
    "sl": 250052,
    "et": 250006,
    "id": 250032,
    "ar": 250001,
    "ta": 250044,
    "lv": 250017,
    "ja": 250012,
}

例如，如果您想要翻译成瑞典语，可以执行以下操作：

from datasets import load_dataset
from transformers import pipeline

# select correct `forced_bos_token_id`
forced_bos_token_id = MAPPING["sv"]

# replace following lines to load an audio file of your choice
librispeech_en = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
audio_file = librispeech_en[0]["file"]

asr = pipeline("automatic-speech-recognition", model="facebook/wav2vec2-xls-r-300m-en-to-15", feature_extractor="facebook/wav2vec2-xls-r-300m-en-to-15")

translation = asr(audio_file, forced_bos_token_id=forced_bos_token_id)

或按如下步骤进行：

import torch
from transformers import Speech2Text2Processor, SpeechEncoderDecoderModel
from datasets import load_dataset

model = SpeechEncoderDecoderModel.from_pretrained("facebook/wav2vec2-xls-r-300m-en-to-15")
processor = Speech2Text2Processor.from_pretrained("facebook/wav2vec2-xls-r-300m-en-to-15")

ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

# select correct `forced_bos_token_id`
forced_bos_token_id = MAPPING["sv"]

inputs = processor(ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["array"]["sampling_rate"], return_tensors="pt")
generated_ids = model.generate(input_ids=inputs["input_features"], attention_mask=inputs["attention_mask"], forced_bos_token_id=forced_bos_token)
transcription = processor.batch_decode(generated_ids)

结果 en -> {lang}

有关此模型在 Covost2 上的性能，请查看XLS-R（0.3B）行。

更多XLS-R模型用于 {lang} -> en语音翻译

• Wav2Vec2-XLS-R-300M-EN-15
• Wav2Vec2-XLS-R-1B-EN-15
• Wav2Vec2-XLS-R-2B-EN-15
• Wav2Vec2-XLS-R-2B-22-16