hf-seamless-m4t-medium

hf-seamless-m4t-medium项目介绍

项目背景

对于许多不同语言社群的人们来说，语言障碍是一大沟通障碍。SeamlessM4T是专门为提高翻译质量而设计的一系列模型，旨在帮助这些群体通过语音和文本实现无障碍交流。hf-seamless-m4t-medium是这一模型中的一个特别版本，集成了多项语言任务，专注于多语言沟通的无缝体验。

项目特点

hf-seamless-m4t-medium 项目作为SeamlessM4T的“medium”版，支持以下功能：

• 支持101种语言的语音输入。
• 支持196种语言的文本输入和输出。
• 支持35种语言的语音输出。

这种“medium”模型是一种统一模型，可以无须依赖多个独立模型即可执行多项任务，包括：

• 语音到语音翻译（S2ST）
• 语音到文本翻译（S2TT）
• 文本到语音翻译（T2ST）
• 文本到文本翻译（T2TT）
• 自动语音识别（ASR）

用户只需使用单一模型，即可完成上述所有任务。

使用方法

基本加载

用户可以首先加载处理器和模型的检查点，来准备进行语音或者文本的处理：

from transformers import AutoProcessor, SeamlessM4TModel

processor = AutoProcessor.from_pretrained("facebook/hf-seamless-m4t-medium")
model = SeamlessM4TModel.from_pretrained("facebook/hf-seamless-m4t-medium")

语音处理

例如，用户可以加载阿拉伯语的语音样本并处理为音频输入，或将英语文本处理为文本输入：

from datasets import load_dataset
dataset = load_dataset("arabic_speech_corpus", split="test", streaming=True)
audio_sample = next(iter(dataset))["audio"]

audio_inputs = processor(audios=audio_sample["array"], return_tensors="pt")
text_inputs = processor(text="Hello, my dog is cute", src_lang="eng", return_tensors="pt")

语音生成

模型可以无缝地进行文本或语音生成。以下示例展示了如何将英语文本和阿拉伯语音翻译为俄语语音：

audio_array_from_text = model.generate(**text_inputs, tgt_lang="rus")[0].cpu().numpy().squeeze()
audio_array_from_audio = model.generate(**audio_inputs, tgt_lang="rus")[0].cpu().numpy().squeeze()

文本生成

同样，也可以从音频文件或文本生成翻译文本，只需在生成函数中设置generate_speech=False。以下示例展示将内容翻译为法语：

# 从音频翻译
output_tokens = model.generate(**audio_inputs, tgt_lang="fra", generate_speech=False)
translated_text_from_audio = processor.decode(output_tokens[0].tolist(), skip_special_tokens=True)

# 从文本翻译
output_tokens = model.generate(**text_inputs, tgt_lang="fra", generate_speech=False)
translated_text_from_text = processor.decode(output_tokens[0].tolist(), skip_special_tokens=True)

提示与技巧

1. 使用专用模型

SeamlessM4TModel是一个通用的模型，但用户可以选择使用专用模型完成特定任务。例如，用于语音到语音转化的专用模型（S2ST）：

from transformers import SeamlessM4TForSpeechToSpeech
model = SeamlessM4TForSpeechToSpeech.from_pretrained("facebook/hf-seamless-m4t-medium")

又如，用于文本到文本转化的专用模型（T2TT）：

from transformers import SeamlessM4TForTextToText
model = SeamlessM4TForTextToText.from_pretrained("facebook/hf-seamless-m4t-medium")

2. 更改说话人身份

用户可以通过spkr_id参数更改语音合成的说话人身份，不同的spkr_id可能在某些语言下表现更佳。

3. 更改生成策略

不同的生成策略可以用于语音和文本的生成，比如可以在文本生成中使用多束搜索，语音生成中使用多项分布抽样。

4. 同时生成语音和文本

通过在SeamlessM4TModel中使用return_intermediate_token_ids=True可以同时返回生成的语音和文本。

通过这些功能和使用技巧，hf-seamless-m4t-medium为多语言交流提供了模块化和灵活的解决方案。