使用方法

该模型可直接使用（无需语言模型），操作步骤如下：

import soundfile as sf
import torch
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import argparse

def parse_transcription(wav_file):
    # 加载预训练模型
    processor = Wav2Vec2Processor.from_pretrained("addy88/wav2vec2-sanskrit-stt")
    model = Wav2Vec2ForCTC.from_pretrained("addy88/wav2vec2-sanskrit-stt")

    # 加载音频文件
    audio_input, sample_rate = sf.read(wav_file)

    # 对输入值进行填充并返回PyTorch张量
    input_values = processor(audio_input, sampling_rate=sample_rate, return_tensors="pt").input_values

    # 推理过程
    # 获取逻辑值并取argmax
    logits = model(input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)

    # 转写文本
    transcription = processor.decode(predicted_ids[0], skip_special_tokens=True)
    print(transcription)