Reazonspeech Nemo V2

🚀 reazonspeech-nemo-v2

reazonspeech-nemo-v2は、ReazonSpeech v2.0コーパスで学習された自動音声認識モデルです。このモデルは、数時間に及ぶ長時間の日本語音声クリップの推論をサポートしています。

🚀 クイックスタート

reazonspeech-nemo-v2は、長時間の日本語音声クリップの音声認識を行うことができるモデルです。以下のセクションでは、モデルのアーキテクチャ、使用方法、ライセンスについて説明します。

✨ 主な機能

• 長時間の日本語音声クリップの推論をサポート
• 改良されたConformerアーキテクチャを採用
• SubwordベースのRNN-Tモデル

📚 ドキュメント

モデルアーキテクチャ

このモデルは、Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognitionに基づく改良されたConformerアーキテクチャを持っています。

• SubwordベースのRNN-Tモデルで、総パラメータ数は619Mです。
• エンコーダは、ローカルコンテキストサイズが256のLongformerアテンションを使用し、単一のグローバルトークンを持っています。
• デコーダは、SentencePieceのユニグラムトークナイザーによって構築された3000トークンの語彙空間を持っています。

このモデルは、Noamアニーリングスケジュールに従ったAdamWオプティマイザーを使用して100万ステップ学習されました。

💻 使用例

基本的な使用法

# このモデルを使用するには、reazonspeechライブラリを通じて行うことをおすすめします。
from reazonspeech.nemo.asr import load_model, transcribe, audio_from_path

audio = audio_from_path("speech.wav")
model = load_model()
ret = transcribe(model, audio)
print(ret.text)

📄 ライセンス

このモデルは、Apaceh Licence 2.0の下で提供されています。