Indicconformer Stt Ta Hybrid Ctc Rnnt Large

🚀 印度語融合模型（IndicConformer）

IndicConformer 是一個混合 CTC - RNNT 的融合自動語音識別（ASR）模型，可有效處理語音識別任務，為語音轉錄提供高效解決方案。

🚀 快速開始

要加載、訓練、微調或使用該模型，你需要安裝 AI4Bharat NeMo。建議使用以下命令進行安裝：

git clone https://github.com/AI4Bharat/NeMo.git && cd NeMo && git checkout nemo-v2 && bash reinstall.sh

✨ 主要特性

• 語言支持：支持泰米爾語。
• 輸入要求：該模型接受 16000 KHz 的單聲道音頻（wav 文件）作為輸入。
• 輸出形式：該模型會為給定的音頻樣本輸出轉錄後的語音字符串。

📚 詳細文檔

模型架構

該模型是一個融合大模型（conformer - Large），由 1.2 億個參數組成，用作編碼器，並配備了混合 CTC - RNNT 解碼器。模型包含 17 個融合塊，模型維度為 512。

AI4Bharat NeMo

要加載、訓練、微調或使用該模型，你需要安裝 AI4Bharat NeMo。建議使用以下命令進行安裝：

git clone https://github.com/AI4Bharat/NeMo.git && cd NeMo && git checkout nemo-v2 && bash reinstall.sh

💻 使用示例

基礎用法

從 Huggingface 下載並加載模型：

import torch
import nemo.collections.asr as nemo_asr

model = nemo_asr.models.ASRModel.from_pretrained("ai4bharat/indicconformer_stt_ta_hybrid_rnnt_large")

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.freeze() # 推理模式
model = model.to(device) # 將模型轉移到設備上

在終端中運行以下命令準備音頻文件，這會將音頻轉換為 16000 Hz 的單聲道音頻：

ffmpeg -i sample_audio.wav -ac 1 -ar 16000 sample_audio_infer_ready.wav

高級用法

使用 CTC 解碼器進行推理

model.cur_decoder = "ctc"
ctc_text = model.transcribe(['sample_audio_infer_ready.wav'], batch_size=1,logprobs=False, language_id='ta')[0]
print(ctc_text)

使用 RNNT 解碼器進行推理

model.cur_decoder = "rnnt"
rnnt_text = model.transcribe(['sample_audio_infer_ready.wav'], batch_size=1, language_id='ta')[0]
print(rnnt_text)

📄 許可證

本項目採用 MIT 許可證。