TriLinLID V1

Модель от TRiLinLID на базе NVIDIA AmberNet (VoxLingua107), дообученная на TriLingDATA/si-ta-en-asr с новой 4-классовой головой: si, ta, en и ns (не речь). Задача — за первые секунды живой речи выбрать режим ASR: Sinhala+English, Tamil+English или English.

🔥 Ключевые особенности

• 🎧 Четыре класса: сингальский, тамильский, английский и non-speech
• ✨ Обучение на кропах 0.5–5 с с аугментациями: шум, эхо, микрофонный EQ, телефонная полоса, кодеки, бабл
• ✅ Согласованность коротких и длинных кропов плюс adversarial-задача внутри языка
• 📍 Данные: OpenSLR и YouTube/BizBrains (si), Common Voice и IndicTTS (ta), Svarah и LibriTTS-R (en)
• ⏰ Стриминг чанками по 0.25 с — медиана 1.05 с речи до решения

💻 Пример

from lid_stream import StreamingLID, load_nemo_predict_fn
lid = StreamingLID(load_nemo_predict_fn(nemo, device="cpu"), calib)
for chunk in microphone_chunks():        # 16 kHz mono float32, 0.25 s
    state = lid.push(chunk)
    if state["decision"]:
        print(state["decision"])         # {'lang': 'ta', 'mode': 'ta+en', ...}
        break

Подробнее

Macro accuracy 95.5%, путаница Sinhala↔Tamil 1.75%, non-speech 100.0%.
Стриминг: decision accuracy 98.9%, 90% клипов решены до конца, медиана 1.05 с речи.
Калибровка temperature 1.719 уже применена внутри .nemo.
Обучено на read/broadcast-корпусах — проверяйте на своих микрофонах; AmberNet распространяется по NGC terms.