Indicconformer Stt Kn 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、特定の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、カンナダ語に特化した音声認識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モデルを使用するための基本的な手順を説明します。

✨ 主な機能

言語

カンナダ語

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

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。

📦 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_kn_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、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='kn')[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='kn')[0]
print(rnnt_text)

🔧 技術詳細

このモデルは、コンフォーマー-Largeモデルで、エンコーダとして1億2000万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。モデルには17個のコンフォーマーブロックがあり、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。