reazonspeech.espnet.asr¶

このリファレンスでは、ESPnetモデルで音声認識するためのインターフェイスを解説します。

関数¶

load_model(device=None)¶

ReazonSpeechのESPnetモデルをロードする。

パラメータ:: str (device) -- cuda もしくは cpu ( None 指定で自動選択)
戻り値の型:: espnet.bin.asr_inference.Speech2Text

transcribe(model, audio, config=None)¶

ReazonSpeechモデルで音声を認識し、結果を返却する。

サンプルコード

from reazonspeech.espnet.asr import audio_from_path, load_model, transcribe

audio = audio_from_path("test.wav")
model = load_model()
ret = transcribe(model, audio)

print('TEXT:')
print('  -', ret.text)

print('SEGMENTS:')
for segment in ret.segments:
    print('  -', segment)

実行結果

TEXT:
  - ヤンバルクイナとの出会いは18歳の時だった。
SEGMENTS:
  - Segment(start_seconds=0.91, end_seconds=6.08, text='ヤンバルクイナとの出会いは18歳の時だった。')

パラメータ:

model (espnet2.bin.asr_inference.Speech2Text) -- ReazonSpeechモデル
audio (AudioData) -- 音声データ
config (reazonspeech.espnet.asr.TranscribeConfig) -- 追加オプション（省略可）

戻り値の型:

reazonspeech.espnet.asr.TranscribeResult

補助関数¶

audio_from_path(path)¶

音声ファイルを読み込み、音声データを返却する。

パラメータ:: path (str) -- 音声ファイルのパス
戻り値の型:: AudioData

audio_from_numpy(array, samplerate)¶

Numpyの配列を受け取り、音声データを返却する。

パラメータ:

numpy.ndarray (array) -- 音声データ
int (samplerate) -- サンプリングレート

戻り値の型:

AudioData

audio_from_tensor(tensor, samplerate)¶

PyTorchのテンソルを受け取り、音声データを返却する。

パラメータ:

torch.tensor (array) -- 音声データ
int (samplerate) -- サンプリングレート

戻り値の型:

AudioData

クラス¶

class TranscribeConfig¶

音声認識の処理を調整するための設定値クラス

verbose: bool = True¶: Falseがセットされた場合、プログレスバーを無効化する。

class TranscribeResult¶

音声認識の結果を格納するためのデータクラス

text: str¶: 音声認識結果の文字列

segments: List[Segment]¶: タイムスタンプ付きの認識結果

class Segment¶

音声認識結果のセグメント

start_seconds: float¶: セグメントの開始時刻

end_seconds: float¶: セグメントの終了時刻

text: str¶: 音声認識結果の文字列

class AudioData¶

音声データを格納するためのコンテナ

waveform: numpy.array¶: 音声データ

samplerate: int¶: サンプリングレート