Anuvani-LID

Anuvani-LID

识别音频片段里说的是印度 22 种官方语言还是印度英语，并给出校准过的分数。适合构建多语言语音流水线的开发者。

由 CIIL 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Anuvani-LID 听一段录音，并告诉你里面说的是哪种语言。它覆盖印度的 22 种官方语言外加印度英语，一共 23 个标签。它是一个约 116M 参数的 Conformer，用 54,643 小时的印度语音训练，分数经过校准，可以当作置信度来读。

适合谁：它适合为印度语言构建语音流水线、需要第一步先判断语言的开发者。这一步决定运行哪个识别器、往哪个方向翻译、用哪种语言回复。

Title: 谁在用
Industry | Who uses it | How they use it | Example
语音技术 | 流水线开发者 | 把音频分给合适的识别器 | 为一段通话录音选择语音识别器
客户服务 | 呼叫中心工程师 | 尽早检测来电者的语言 | 用来电者说的语言回复
移动应用 | 应用开发者 | 在设备上运行语言检测 | 不用服务器就识别口语语言

只处理印度以外语言的人可以跳过它。

用在哪里：

• 使用 transformers 和 torch 的 Python
• NVIDIA Triton Inference Server 后面的 NVIDIA GPU
• 通过 ONNX Runtime 的 CPU
• 通过 sherpa-onnx 的手机和 ARM Linux，支持 Android、iOS 和 ARM Linux
• Google Colab，通过那个 notebook

Title: 主要用途
Use case | Who | What they get back
语言检测 | 流水线开发者 | 说话的语言，附带校准过的分数
长音频 | 音频工程师 | 语言的时间线，以及每种语言在语音中的占比
拒绝非语音 | 产品团队 | 被标为超出范围的音乐和非印度语言

如何设置：

• 你电脑上的 Python
• huggingface_hub 包
• torch 和 transformers，这是 PyTorch 模型唯一的运行时依赖

1. 安装 Hugging Face 的 hub 包。
2. 把模型文件下载到你的电脑。
3. 按模型卡 notebook 里的做法，通过 transformers 的 pipeline 或 AutoModel 加载模型。

pip install -U huggingface_hub
hf download CIIL/Anuvani-LID

如何使用：用 transformers 的 pipeline 或 AutoModel 加载模型，再传入一段音频。对于任意长度的录音，有一个辅助函数会找出语音，并沿时间线报告各种语言。仓库里还有部署和设备端的工具包。

Title: 仓库里有什么
Tool | What it does
pipeline or AutoModel | 用纯 PyTorch 运行模型，并附带同一网络的 ONNX 副本
classify_long_audio | 用 Silero VAD 找出语音，返回语言时间线和占比
triton_inference | NVIDIA Triton 的部署工具包，从一块 GPU 到多个节点，另有纯 CPU 路径
mobile_inference | 基于 sherpa-onnx 的设备端工具包，支持 Android、iOS 和 ARM Linux
notebook.ipynb | 运行所有示例的 Colab 快速入门

示例：你传入一段某人说印地语的短录音。模型会返回语言标签，以及一个可以当作置信度的分数。对于包含两种语言的长通话，长音频辅助函数会返回时间线和每种语言所占的语音比例。

新手与专家：如果你是新手，语言识别就是在做任何其他事之前，先回答一段音频是哪种语言的那一步。第一次尝试可以用 Colab notebook，它会运行模型卡里的示例。

对于专家来说，模型卡报告在 37 种基准条件上的平均 macro-F1 是 0.914，在全部 23 种语言上是 0.897，并说没有其他系统超过 0.713。单一温度校准后的校准误差是 0.008，音乐和非印度语言以 0.89 到 0.91 的 AUROC 被拒绝。

音频片段输入
Conformer 对语音编码
给出 23 个标签的校准分数
输出最高的语言或时间线

注意事项：

• Scope: 22 种印度官方语言和印度英语，一共 23 个标签。
• Short clips: 模型卡声称在一秒音频上有很大的领先优势。
• License: 代码和模型都是 Apache 2.0。
• Cost to run: 来源未提及。
• Data it reaches: 你传入的音频，以及从 Hugging Face 下载的文件。设备端工具包无需服务器即可运行。
• Not for: 识别这个集合以外的语言，或把音乐当作语音。

Title: 全部 23 种语言上的 macro-F1
Anuvani-LID: 0.897 F1
Best other system, at most: 0.713 F1

Hugging Face 上的数据（2026年11月13日）

• 任务：audio classification
• 框架：transformers
• 参数量：116M
• Weights: about 463 MB in F32; about 58 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：276
• 点赞：7
• 许可证：apache-2.0
• 语言：as, bn, brx, doi, en, gu, hi, kn
• 标签：transformers, onnx, nemo, safetensors, anuvani_lid, audio-classification, audio, speech, language-identification, spoken-language-id, indic, conformer

链接

• 模型：https://huggingface.co/CIIL/Anuvani-LID
• 文件：https://huggingface.co/CIIL/Anuvani-LID/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download CIIL/Anuvani-LID

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。