speakwrite-azerbaijani

Модель распознавания азербайджанской речи от LocalDoc. Архитектура — FastConformer-CTC (18 слоёв, d512) с 3-pass loop refiner, product-key acoustic memory и 6-gram token KenLM; вход 16 kHz mono. Ориентирована на CPU и выдаёт текст с регистром и пунктуацией, числа — словами.

🗣 Ключевые особенности

• 🗣 FastConformer-CTC: 18 слоёв, d512, 3-pass loop refiner и product-key acoustic memory (700 × 700 sub-keys)
• ⌨ CPU-инференс: ONNX fast — 84–87× быстрее реального времени на 8 потоках i7-12700K, веса 268 MB
• 📝 На выходе есть регистр и . , ? !, числа записываются словами
• 🤔 KenLM заметно снижает ошибки: WER на FLEURS test 16.34 без LM против 10.98 с KenLM
• 😎 В результате доступны words с word, start, end и confidence для каждого слова

⌨ Пример

import balbal

model = balbal.Model("LocalDoc/speakwrite-azerbaijani", threads=8)
print(model.transcribe("speech.wav")["text"])

Подробнее

FLEURS test: WER/CER 10.98/3.57 (PyTorch + KenLM), 11.03/3.61 (ONNX fast + KenLM).
Первый запуск скачивает около 1.3 GB; KenLM добавляет 1 GB к загрузке.
Тестировалось с balbal 0.3.0 на Python 3.12 и Linux; аудио длиннее 30 с режется на окна по 30 с с перекрытием 10 с.
Лицензия CC BY-NC 4.0 — только некоммерческое использование с указанием авторства.