Indicconformer Stt Te Hybrid Ctc Rnnt Large

🚀 IndicConformer

IndicConformerは、ハイブリッドCTC - RNNTコンフォーマーの自動音声認識（ASR: Automatic Speech Recognition）モデルです。このモデルは、テルグ語の音声を高精度に認識し、文字起こしを行うことができます。

🚀 クイックスタート

このセクションでは、IndicConformerモデルの基本的な情報と使用方法について説明します。

言語

テルグ語

入力

このモデルは、16000 KHzのモノラルチャンネルオーディオ（wavファイル）を入力として受け付けます。

出力

このモデルは、与えられた音声サンプルに対して、文字起こしされた音声を文字列として提供します。

✨ 主な機能

• テルグ語の自動音声認識を高精度に行うことができます。
• ハイブリッドCTC - RNNTデコーダを使用して、柔軟な音声認識を実現します。

📦 インストール

モデルをロード、トレーニング、ファインチューニングするには、AI4Bharat NeMoをインストールする必要があります。以下のコマンドを使用してインストールすることをおすすめします。

git clone https://github.com/AI4Bharat/NeMo.git && cd NeMo && git checkout nemo-v2 && bash reinstall.sh

💻 使用例

基本的な使用法

Huggingfaceからモデルをダウンロードしてロードします。

import torch
import nemo.collections.asr as nemo_asr

model = nemo_asr.models.ASRModel.from_pretrained("ai4bharat/indicconformer_stt_te_hybrid_rnnt_large")

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.freeze() # inference mode
model = model.to(device) # transfer model to device

ターミナルで以下のコマンドを実行して、音声ファイルを準備します。これにより、音声が16000 Hzでモノチャンネルに変換されます。

ffmpeg -i sample_audio.wav -ac 1 -ar 16000 sample_audio_infer_ready.wav

高度な使用法

CTCデコーダを使用した推論

model.cur_decoder = "ctc"
ctc_text = model.transcribe(['sample_audio_infer_ready.wav'], batch_size=1,logprobs=False, language_id='te')[0]
print(ctc_text)

RNNTデコーダを使用した推論

model.cur_decoder = "rnnt"
rnnt_text = model.transcribe(['sample_audio_infer_ready.wav'], batch_size=1, language_id='te')[0]
print(rnnt_text)

📚 ドキュメント

モデルアーキテクチャ

このモデルは、エンコーダとして1億2000万のパラメータを持つコンフォーマー-Largeモデルで、ハイブリッドCTC - RNNTデコーダを備えています。モデルは17個のコンフォーマーブロックを持ち、モデル次元は512です。

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。