ESPnet による音声認識入門 ～ESPnet Model Zoo 編～

今回は、日本語話し言葉コーパス（CSJ）で学習した日本語音声認識モデル kan-bayashi/csj_asr_train_asr_transformer_raw_char_sp_valid.acc.ave を使ってみます。

このモデルはサンプリングレートが 16000 Hz の音声に対応しています。

sample.wav

坊っちゃんの一節

code:say.sh

$ say 親譲りの無鉄砲で子供の時から損ばかりしている -o sample.wav --data-format=LEF32@16000

code:python

>> from espnet_model_zoo.downloader import ModelDownloader

>> from espnet2.bin.asr_inference import Speech2Text

>> from scipy.io import wavfile

>> d = ModelDownloader()

>> speech2text = Speech2Text(**d.download_and_unpack("kan-bayashi/csj_asr_train_asr_transformer_raw_char_sp_valid.acc.ave"))

>> type(speech2text)

<class 'espnet2.bin.asr_inference.Speech2Text'>

>> sampling_rate, audio_array = wavfile.read("sample.wav")

<stdin>:1: WavFileWarning: Chunk (non-data) not understood, skipping it.

>> sampling_rate

16000

>> audio_array.shape

(73781,)

>> audio_array.dtype

dtype('float32')

>> nbests = speech2text(audio_array)

>> text

'親譲りの無鉄砲で子供の時から損ばかりしている'