Reazonspeech Nemo V2

🚀 reazonspeech-nemo-v2

reazonspeech-nemo-v2是一個自動語音識別模型，它基於ReazonSpeech v2.0語料庫進行訓練。該模型支持對長達數小時的日語長音頻片段進行推理。

🚀 快速開始

reazonspeech-nemo-v2可用於對日語長音頻進行自動語音識別。你可以通過以下方式使用該模型。

✨ 主要特性

• 基於改進的Conformer架構，參考自Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition。
• 基於子詞的RNN - T模型，總參數數量為6.19億。
• 編碼器使用Longformer注意力機制，局部上下文大小為256，並具有單個全局令牌。
• 解碼器擁有由SentencePiece單字分詞器構建的3000個令牌的詞彙空間。
• 使用AdamW優化器按照Noam退火調度訓練了100萬步。

💻 使用示例

基礎用法

# 從指定路徑加載音頻文件
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)

高級用法

暫未提供高級用法示例，你可以持續關注項目更新。

📚 詳細文檔

模型架構

• 架構改進：模型採用了改進的Conformer架構，該架構的靈感來源於論文Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition。
• 模型類型：基於子詞的RNN - T模型，總參數數量達到6.19億。
• 編碼器：使用Longformer注意力機制，局部上下文大小設定為256，並且有單個全局令牌。
• 解碼器：其詞彙空間包含3000個令牌，這些令牌由SentencePiece單字分詞器構建而成。
• 訓練過程：使用AdamW優化器按照Noam退火調度對模型進行了100萬步的訓練。

推薦使用方式

建議通過reazonspeech庫來使用此模型。

📄 許可證

本項目採用Apaceh Licence 2.0許可協議。