Перейти к содержанию

plantain2asr

Фреймворк для бенчмаркинга и анализа русскоязычных ASR-моделей.

plantain2asr построен вокруг оператора >>: вы загружаете датасет и прогоняете его через модели, нормализаторы и метрики -- каждый шаг создаёт новое представление, ничего не мутируется.

Интерфейс >>

from plantain2asr import GolosDataset, Models, SimpleNormalizer, Metrics

ds = GolosDataset("data/golos")

ds >> Models.GigaAM_v3()      # запустить инференс, результаты кешируются
ds >> Models.Whisper()         # запустить ещё одну модель на тех же данных

norm = ds >> SimpleNormalizer()  # нормализовать эталоны и гипотезы
norm >> Metrics.composite()      # посчитать WER, CER, MER, Accuracy, ...

df = norm.to_pandas()
print(df.groupby("model")[["WER", "CER"]].mean().sort_values("WER"))

Каждый >> возвращает датасет с новым слоем результатов. Можно ветвить, фильтровать и рекомбинировать в любой точке.

Что даёт plantain2asr

  • Пайплайн >>: dataset >> model >> normalizer >> metric >> report
  • Локальные и облачные ASR-модели под единым интерфейсом
  • Автоматический выбор устройства (CUDA / MPS / CPU) там, где это поддерживается
  • Иммутабельные представления датасета вместо мутаций "на месте"
  • Встроенные нормализаторы, метрики, отчёты, анализ и бенчмарки
  • Обёртка Experiment для типовых исследовательских сценариев
  • Модульную архитектуру для своих моделей, метрик и вкладок отчёта

Установка

pip install plantain2asr
Включает датасеты, нормализацию, метрики, экспорты и отчёты.

pip install plantain2asr[asr-cpu]

pip install plantain2asr[asr-gpu]

pip install plantain2asr[gigaam]
pip install plantain2asr[whisper]
pip install plantain2asr[vosk]
pip install plantain2asr[canary]
pip install plantain2asr[tone]
pip install "tone @ https://github.com/voicekit-team/T-one/archive/3c5b6c015038173840e62cea99e10cdb1c759116.tar.gz"

pip install plantain2asr[analysis]

pip install plantain2asr[all]

Логика выбора устройства: сначала CUDA, затем MPS, затем CPU, если backend это поддерживает.

Ментальная модель

graph LR
    A["ds = GolosDataset(...)"] -->|>>| B["Models.GigaAM_v3()"]
    A -->|>>| B2["Models.Whisper()"]
    B --> C[">> SimpleNormalizer()"]
    B2 --> C
    C -->|>>| D["Metrics.composite()"]
    D --> E["to_pandas() / ReportServer / CSV"]

Каждый блок -- шаг >>. Компонуйте как нужно.

Поддерживаемые семейства моделей

Семейство Типичный вызов Extra Устройство
GigaAM v3 Models.GigaAM_v3() gigaam CUDA / MPS / CPU
GigaAM v2 Models.GigaAM_v2() gigaam CUDA / MPS / CPU
Whisper Models.Whisper() whisper CUDA / MPS / CPU
T-one Models.Tone() tone + source archive T-One CUDA / CPU
Vosk Models.Vosk(...) vosk CPU
Canary Models.Canary() canary CUDA
SaluteSpeech Models.SaluteSpeech() none облако

Если вы заходите впервые