Update README.md

README.md

@@ -11,8 +11,7 @@ tags:
 datasets: 
 - common_voice_17_0
 ---
-# Neura Orca Gemma 7B
-
+# Neura Speech Nemo
 
 <p align="center">
   <img src="neura_gemma.png" width=512 height=256 />
@@ -33,84 +32,23 @@ datasets:
 
 ## Uses
 
-Check out the Google Colab demo to run NeuraOrcaGemma7b on a free-tier Google Colab instance: [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/drive/1wgiHZIi199MyI4YT3ZBiMj9je2IoA4Jd?usp=sharing)
-
-
 make sure these packages are installed:
 ```
-!pip install --no-deps xformers accelerate bitsandbytes
-!pip install -q -U transformers
+!pip install nemo_toolkit['all']
 ```
 ```python
-from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
-import torch
-import os
-MODEL_PATH = "Neurai/NeuraOrcaGemma7b"
-quantization_config = BitsAndBytesConfig(
-    load_in_4bit = True,
-    bnb_4bit_quant_type="nf4",
-    bnb_4bit_compute_dtype=torch.bfloat16,
-    bnb_4bit_use_double_quant=True,
-)
-
-model = AutoModelForCausalLM.from_pretrained(
-    MODEL_PATH,
-    device_map = "auto",
-    trust_remote_code = True,
-    quantization_config=quantization_config,
-)
+import nemo
+print('nemo', nemo.__version__)
+import numpy as np
+import nemo.collections.asr as nemo_asr
 
-tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
+asr_model = nemo_asr.models.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/stt_en_fastconformer_hybrid_large_streaming_multi")
+asr_model.transcribe(paths2audio_files=['persian_audio.wav', ], batch_size=1)[0]
 
-input_prompt = """
-### Instruction:{}
-### Input:{}
-### Response:{}"""
-
-input_text = input_prompt.format(
-        "در مورد سری فوریه بهم توضیح میدی و فرمولش رو برام مینویسی", 
-        "", 
-        ""
-    )
-
-inputs = tokenizer([input_text], return_tensors = "pt").to("cuda")
-outputs = model.generate(**inputs, max_new_tokens = 300, use_cache = True)
-response = tokenizer.batch_decode(outputs)[0]
 ```
-Generated text :
+trascribed text :
 ```
- سری فوریه یک سری ریاضی است که برای نمایش یک تابع پیوسته و متناوب در یک بازه زمانی معین استفاده می شود. این نام از ریاضیدان فرانسوی آگوستین-لویی کوشی گرفته شده است که آن را در سال 1826 معرفی کرد.
-
-فرمول سری فوریه به صورت زیر است:
-
-f(x) = a0 + sum(an * cos(n*pi*x/L)) + sum(bn * sin(n*pi*x/L))
-
-که در آن:
-
-- f(x) تابع پیوسته و متناوب در بازه زمانی [(-L/2, L/2] است
-- a0 مقدار میانگین مربع f(x) در بازه زمانی [(-L/2, L/2] است
-- an ضریب سری برای n-th term است
-- bn ضریب سری برای n-th term است
-- L طول بازه زمانی است
-- n یک عدد صحیح مثبت است
-- x یک متغیر واقعی است
-- pi (pi) یک ثابت ریاضی است
-
-برای یافتن ضرایب سری، باید f(x) را در بازه زمانی [(-L/2, L/2] با استفاده از فرمول های زیر تجزیه کنیم:
-
-an = (1/L) * int(-L/2, L/2) f(x) * cos(n*pi*x/L) dx
-bn = (1/L) * int(-L/2, L/2) f(x) * sin(n*pi*x/L) dx
-
-که در آن:
-
-- int نشان دهنده انتگرال است
-- L طول بازه زمانی است
-- n یک عدد صحیح مثبت است
-- x یک متغیر واقعی است
-- f(x) تابع پیوسته و متناوب در بازه زمانی [(-L/2, L/2] است
-- pi (pi) یک ثابت ریاضی است
 
-پس از یافتن ضرایب سری، می توان از فرمول سری فوریه برای نمایش f(x) در بازه زمانی [(-L/2, L/2] استفاده کرد.<eos>
 ```