Indicconformer Stt Ne 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、ネパール語の音声を高精度に文字起こしすることができ、特定の形式の音声入力に対して文字列としての文字起こし結果を出力します。

🚀 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。その後、Huggingfaceからモデルをダウンロードしてロードし、音声ファイルを適切な形式に変換してから推論を行うことができます。

✨ 主な機能

• 言語対応：ネパール語の音声認識に特化しています。
• 入力形式：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。
• 出力形式：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

まず、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_ne_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

次に、音声ファイルを16000 Hzのモノチャンネルに変換します。

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='ne')[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='ne')[0]
print(rnnt_text)

📚 ドキュメント

言語

ネパール語

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。

🔧 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

このモデルはMITライセンスの下で提供されています。