ASR(Automatic Speech Recognition)為語音辨識模型，語言可以選擇，不管是輸入及輸出都可以選擇語言，所涵蓋的語言代號請參考連結：SeamlessM4T語言別代號。本篇使用SeamlessM4T的ASR功能，看看使用流程是否容易上手，以及翻譯結果的準確性。

安裝SeamlessM4T

安裝SeamlessM4T請參考文章安裝SeamlessM4T

使用步驟

先導入模型，本次推出的SeamlessM4T有兩種型號：seamlessM4T_large與seamlessM4T_large。以large版本為例，執行以下程式碼後即已備好模型：

import torch
from seamless_communication.models.inference import Translator

**translator = Translator(
    "seamlessM4T_large",
    "vocoder_36langs",
    torch.device("cuda:0"),
    torch.float16,
)

此步驟的用意為在GPU上初始化一個轉譯器，選用模型"seamlessM4T_large"，以及聲碼器"vocoder_36langs"，官方建議選擇半精度浮點數(float16)可能是因為要節省記憶體，但可能因此影響翻譯精準度。

將此文本丟入translator中，設定模型為”asr”，來源語言為英文，目標語言為中文(官方公布的代碼為cmn)，我使用的音檔為英文語音 ”We used to be friendly with some people who worked at the Swedish Embassy.”播放

# This is equivalent to S2TT with `<tgt_lang>=<src_lang>`.
transcribed_text, _, _ = translator.predict(
                "./input.wav",
                "asr",
                src_lang="eng",
                tgt_lang="cmn")

print(transcribed_text)   #我们曾经和一些在瑞典大使馆工作的人友好 ⁇

由英語語音轉譯為中文文本，結果也莫名其妙多了兩個問號，且語句不是很通順。

總結

利用SeamlessM4T的ASR功能(Automatic Speech Recognition)，將輸入語音匯入預備好的轉譯器(Translator)，選擇任務asr，設定目標語言即可做轉譯。本篇使用英語語音轉中文文本，翻譯內容不是很通順，且筆者覺得它的功能跟S2TT有重疊到，這個功能感覺上會被S2TT取代。