开源翻译大模型

开源翻译大模型

1 简介

在开发过程中，会遇到定制化翻译工具的需要，开源的翻译模型可以解决相应的问题。其中英语转中文的比较好的开源项目有：

序号	组织	模型	地址	备注
1	赫尔辛基大学语言技术研究小组（Language Technology Research Group at the University of Helsinki）	opus-mt-en-zh	英文翻译为中文： https://hf-mirror.com/Helsinki-NLP/opus-mt-en-zh	支持英文转中文；其他翻译模型在该项目下查找即可。
2	facebook（Meta）	nllb-200	https://hf-mirror.com/facebook/nllb-200-3.3B	nllb-200可以在200种语言之间进行单句翻译。它有多个参数的模型，推荐使用3.3B，其中600M翻译时会出现“预载载载载载载载载载载”的错误
3	facebook（Meta）	mbart-large-50	英语翻译为其他语言： https://hf-mirror.com/facebook/mbart-large-50-one-to-many-mmt 多语言翻译为多语言： https://hf-mirror.com/facebook/mbart-large-50-many-to-many-mmt	mbart-large-50支持将50种语言翻译为其他多语言。
4	facebook（Meta）	SeamlessM4T	在线使用： https://hf-mirror.com/spaces/facebook/seamless-m4t-v2-large 仓库地址： https://hf-mirror.com/facebook/seamless-m4t-v2-large	Seamless M4T是一个一体化大规模多语言和多模式机器j基座翻译模型，提供近100种语言的语音和文本高质量翻译。可支持： 1.语音到语音翻译（S2ST） 2.语音到文本翻译（S2TT） 3.文本到语音翻译（T2ST） 4.文本到文本翻译（T2TT） 5.自动语音识别（ASR）
5	facebook（Meta）	M2M100	在线使用： https://hf-mirror.com/facebook/m2m100_1.2B	M2M100多语言翻译为多语言，主要有两个版本1.2B（推荐）和418M

2 下载模型

下载模型的网站

# 国内代理huggingface的网站
https://hf-mirror.com/

# 下载大模型的网站
https://aifasthub.com/

下载命令

# 安装huggingface_hub，会在相应的环境中生成huggingface-cli
pip install -U huggingface_hub -i https://pypi.tuna.tsinghua.edu.cn/simple

# 进入到相应的目录下后，下载模型
huggingface-cli download --resume-download facebook/mbart-large-50-one-to-many-mmt --local-dir mbart-large-50-one-to-many-mmt  --local-dir-use-symlinks False

3 项目实例

3.1 模型nllb-200-3.3

源代码

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline

# 加载模型
model = AutoModelForSeq2SeqLM.from_pretrained("D:/model/nllb-200-3.3B")
tokenizer = AutoTokenizer.from_pretrained("D:/model/nllb-200-3.3B")

# pipelines使用方法： https://hf-mirror.com/docs/transformers/main_classes/pipelines
# 翻译语言的地址：https://hf-mirror.com/facebook/nllb-200-3.3B/blob/main/README.md
# task：任务类型，translation表示翻译
# src_lang： 输入文本的语言，eng_Latn表示英文
# tgt_lang： 输出文本的语言，zho_Hans表示中文
# max_length： 输入文本最大长度；
translator = pipeline(
    task='translation',
    model=model,
    tokenizer=tokenizer,
    src_lang='eng_Latn',
    tgt_lang='zho_Hans',
    max_length=512
)

# 文本
text_en = "Heart disease is a serious threat to human health. "
text_zh = translator(text_en)
print(text_zh)

3.2 模型mbart-large-50-one-to-many-mmt

安装依赖

# 安装sentencepiece 
pip install sentencepiece -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装protobuf
pip install protobuf -i https://pypi.tuna.tsinghua.edu.cn/simple

源代码

from transformers import MBartForConditionalGeneration, MBart50TokenizerFast

# 加载模型
model = MBartForConditionalGeneration.from_pretrained(
    pretrained_model_name_or_path="D:/model/mbart-large-50-one-to-many-mmt"
)
tokenizer = MBart50TokenizerFast.from_pretrained(
    pretrained_model_name_or_path="D:/model/mbart-large-50-one-to-many-mmt",
    src_lang="en_XX"
)

# 序列化
text_en = "Heart disease is a serious threat to human health. "
model_inputs = tokenizer(text_en, return_tensors="pt")

# 将英语翻译成中文
generated_tokens = model.generate(
    **model_inputs,
    forced_bos_token_id=tokenizer.lang_code_to_id["zh_CN"]
)

text_zh = tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)
print(text_zh)

结果

3.3 模型opus-mt-en-zh

源代码

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
from transformers import pipeline

# 加载模型
model = AutoModelForSeq2SeqLM.from_pretrained("D:/model/opus-mt-en-zh")
tokenizer = AutoTokenizer.from_pretrained("D:/model/opus-mt-en-zh")

# 创建 pipeline
translator = pipeline(task="translation", model=model, tokenizer=tokenizer)

text_en = "Heart disease is a serious threat to human health. "
text_zh = translator(text_en)
print(text_zh)

结果

3.4 模型SeamlessM4T

由于SeamlessM4T模型太大，此处借助HuggingFace上的模型运行。