Indicconformer Stt Gu Hybrid Ctc Rnnt Large

🚀 IndicConformer

IndicConformer是一個混合CTC - RNNT的Conformer自動語音識別（ASR）模型，可用於古吉拉特語語音的自動識別，將輸入的音頻文件轉換為對應的文本內容。

✨ 主要特性

• 語言支持：支持古吉拉特語。
• 輸入要求：接受16000 KHz的單聲道音頻（wav文件）作為輸入。
• 輸出形式：為給定的音頻樣本提供轉錄後的語音字符串。

📦 安裝指南

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_gu_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

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和單聲道：

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

🔧 技術細節

該模型是一個Conformer - Large模型，由120M個參數組成的編碼器和混合CTC - RNNT解碼器構成。模型有17個Conformer塊，模型維度為512。

📄 許可證

本項目採用MIT許可證。