/ Модель

Характеристики

Размер весов
60,3 МБ
Лицензия
CC BY 4.0
Опубликована
2 мар 2022

kamo-naoyuki-mini_an4_asr_train_raw_bpe_valid.acc.best

Распознавание речиАудио → текст3 профессии

Англоязычная модель ESPnet для преобразования речи из аудиозаписей в текст.

1 870скачиваний за 30 дней1лайквеса обновлены19 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это англоязычная модель автоматического распознавания речи, опубликованная в ESPnet под идентификатором espnet/kamo-naoyuki-mini_an4_asr_train_raw_bpe_valid.acc.best. Модель обучена kan-bayashi по рецепту jsut/tts1 в ESPnet; карточка указывает набор данных mini-an4 и формат весов PyTorch.

Модель преобразует аудио в текст и предназначена для распознавания речи в аудиозаписях. В примере использования аудио загружается с приведением к одному каналу и частоте 16 кГц. Модель распространяется по лицензии CC BY 4.0.

Карточка не сообщает размер модели, длину контекста или показатели качества; результаты для других языков и условий записи не описаны.

Сценарии применения

  • расшифровка англоязычных аудиозаписей
  • транскрибация речи из монофонических записей с частотой 16 кГц
  • распознавание речи на наборе Mini-AN4

Ограничения

Карточка не приводит метрики качества или сведения о проверке на данных вне mini-an4. Пример рассчитан на аудио с частотой 16 кГц и одним каналом.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Usage

import librosa
from espnet2.bin.asr_inference import Speech2Text

speech2text = Speech2Text.from_pretrained(model_tag="espnet/kamo-naoyuki-mini_an4_asr_train_raw_bpe_valid.acc.best")
# librosa resamples and mixes to one channel, so any file works; 16000 is
# what nearly every espnet recogniser is trained on - check this model's
# config if its audio is not 16 kHz
speech, rate = librosa.load("audio.wav", sr=16000, mono=True)
text, *_ = speech2text(speech)[0]
print(text)

ESPnet2 ASR pretrained model

kamo-naoyuki/mini_an4_asr_train_raw_bpe_valid.acc.best

♻️ Imported from https://zenodo.org/record/3957940#.YN7zwJozZH4 This model was trained by kan-bayashi using jsut/tts1 recipe in espnet.

Demo: How to use in ESPnet2

# coming soon

Citing ESPnet

@inproceedings{watanabe2018espnet,
  author={Shinji Watanabe and Takaaki Hori and Shigeki Karita and Tomoki Hayashi and Jiro Nishitoba and Yuya Unno and Nelson {Enrique Yalta Soplin} and Jahn Heymann and Matthew Wiesner and Nanxin Chen and Adithya Renduchintala and Tsubasa Ochiai},
  title={{ESPnet}: End-to-End Speech Processing Toolkit},
  year={2018},
  booktitle={Proceedings of Interspeech},
  pages={2207--2211},
  doi={10.21437/Interspeech.2018-1456},
  url={http://dx.doi.org/10.21437/Interspeech.2018-1456}
}
@inproceedings{hayashi2020espnet,
  title={{Espnet-TTS}: Unified, reproducible, and integratable open source end-to-end text-to-speech toolkit},
  author={Hayashi, Tomoki and Yamamoto, Ryuichi and Inoue, Katsuki and Yoshimura, Takenori and Watanabe, Shinji and Toda, Tomoki and Takeda, Kazuya and Zhang, Yu and Tan, Xu},
  booktitle={Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
  pages={7654--7658},
  year={2020},
  organization={IEEE}
}

or arXiv:

@misc{watanabe2018espnet,
      title={ESPnet: End-to-End Speech Processing Toolkit}, 
      author={Shinji Watanabe and Takaaki Hori and Shigeki Karita and Tomoki Hayashi and Jiro Nishitoba and Yuya Unno and Nelson Enrique Yalta Soplin and Jahn Heymann and Matthew Wiesner and Nanxin Chen and Adithya Renduchintala and Tsubasa Ochiai},
      year={2018},
      eprint={1804.00015},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Training config

See full config in config.yaml

config: null
print_config: false
log_level: INFO
dry_run: false
iterator_type: sequence
output_dir: exp/asr_train_raw_bpe
ngpu: 1
seed: 0
num_workers: 1
num_att_plot: 3
dist_backend: nccl
dist_init_method: env://
dist_world_size: null
dist_rank: null
local_rank: 0
dist_master_addr: null
dist_master_port: null
dist_launcher: null
multiprocessing_distributed: false
cudnn_enabled: true
cudnn_benchmark: false
cudnn_deterministic: true

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели ESPnet требуют отдельного рантайма.

Ревизия весов
4813a6c

0 моделей