Awtomatikong salin · Orihinal sa Ingles

Pagkilala sa Wika

Alamin ang ginagamit na wika sa pamamagitan ng SpeechBrain ECAPA VoxLingua107. Ang Swift runtime ay sumusuporta sa katutubo MLX at tinipon Core ML at mga ranggo 107 Mga tatak ng wika.

Arkitektura

Ang Audio ay rempated sa 16 kHz at kinokonberte ng eksaktong 60-bin SpeechBrain log-mel frontend. Temporal mean normalization feed a ECAPA-TDN dropler at ang 107-class classifier nito.

CLI

speech language-id recording.wav
speech language-id recording.wav --engine coreml --top 3
speech language-id recording.wav --json

MLX ay ang default. Gamitin ang --engine coreml para sa tinipong modelo, --top upang pumili ng bilang ng mga kandidato, at --json para sa machine-readable output.

Swift API

import SpeechLanguageID

let identifier = try await SpeechLanguageIdentifier.fromPretrained(engine: .mlx)
let result = try identifier.identify(
    audio: samples,
    sampleRate: sampleRate,
    topK: 5
)
print(result.best?.label.code ?? "unknown")

Mahabang rekording

Ang bawat modelong tawag ay nagsusuri ng hanggang sa humigit-kumulang na 30 segundo. ang mga mas mahabang rekording ay nahahati sa mga hindi-overfiund na bintana at ang mga probability nito ay pinagsasama sa pagtagal ng bigat.

Nasarang modelong-set

Ang modelo ay palaging nakahahanay sa isa sa mga kilalang tatak nito. Ang tiwala nito ay hindi isang hindi kilalang-wikang detector. Idagdag ang VAD at isang kalibuhang patakarang pagtanggi para sa katahimikan, musika, code-switching, at hindi suportadong mga wika.

Hugging Face

CLI: language-id