许可证: mit 语言:

• 泰米尔语 任务标签: 自动语音识别 库名称: nemo

IndicConformer

IndicConformer是一个基于混合CTC-RNNT架构的Conformer自动语音识别(ASR)模型。

支持语言

泰米尔语

输入格式

本模型接受16KHz单声道音频(wav文件)作为输入。

输出结果

对于给定的音频样本，本模型将输出转录后的文本字符串。

模型架构

本模型采用Conformer-Large架构，包含1.2亿参数。编码器由17个Conformer模块组成，模型维度为512，并配备混合CTC-RNNT解码器。

AI4Bharat NeMo工具包

如需加载、训练、微调或测试模型，请安装AI4Bharat NeMo。推荐使用以下命令安装：

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

使用方法

从Huggingface下载并加载模型：

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) # 将模型转移至设备

通过终端运行以下命令准备音频文件（转换为16KHz单声道）：

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

使用CTC解码器推理

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解码器推理

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