Indicconformer Stt Mr 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）モデルです。このモデルは、マラーティ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モデルの基本的な使い方を説明します。

✨ 主な機能

• 音声認識：16000 KHzのモノラルチャンネルオーディオ（wavファイル）を入力として受け取り、文字起こしされた音声を文字列として出力します。
• モデルアーキテクチャ：コンフォーマー - Largeモデルで、エンコーダには1億2000万個のパラメータを持ち、ハイブリッドCTC - RNNTデコーダを備えています。

📦 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_mr_hybrid_rnnt_large")

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.freeze() # 推論モード
model = model.to(device) # モデルをデバイスに転送

ターミナルで以下のコマンドを実行して、オーディオファイルを準備します。これにより、オーディオが16000 Hzかつ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='mr')[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='mr')[0]
print(rnnt_text)

📚 ドキュメント

言語

マラーティ語

入力

このモデルは、16000 KHzのモノチャンネルオーディオ（wavファイル）を入力として受け取ります。

出力

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

モデルアーキテクチャ

このモデルはコンフォーマー - Largeモデルで、エンコーダには1億2000万個のパラメータを持ち、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。

🔧 技術詳細

このモデルは、コンフォーマー - Largeモデルで、エンコーダには1億2000万個のパラメータを持ち、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

このモデルはMITライセンスの下で提供されています。