Indicconformer Stt As 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、特定の音声サンプルに対する文字起こし結果を文字列として提供し、音声認識タスクにおいて高い性能を発揮します。

🚀 クイックスタート

このモデルを使用するには、まず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

✨ 主な機能

言語

アッサム語

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。

📚 ドキュメント

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。モデルは17個のコンフォーマーブロックから構成され、モデル次元は512です。

💻 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_as_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かつモノラル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='as')[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='as')[0]
print(rnnt_text)

📄 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。