lectura-stt-formules 0.1.0

STT dedie formules — CTC semantique pour nombres, dates, heures, sigles (generateur de corpus)

lectura-stt-formules

STT dedie formules — modele CTC autonome avec vocabulaire semantique (~87 tokens : nombres atomiques, mois, lettres, marqueurs) au lieu de phonemes IPA.

Phase 1 — Generateur de corpus

Ce module fournit :

• Un vocabulaire de 87 tokens semantiques (_vocab.py)
• Un tokenizer events → token sequence (_tokenizer.py)
• Un generateur de corpus synthetique (scripts/generate_corpus.py)

Installation

pip install lectura-stt-formules

# Pour la generation de corpus (necessite TTS)
pip install lectura-stt-formules[corpus]

Utilisation

Vocabulaire et tokenizer

from lectura_stt_formules import VOCAB, events_to_token_sequence, token_ids_to_names
from lectura_formules import lire_nombre

result = lire_nombre("42")
tokens = events_to_token_sequence(result)
print(tokens)           # [22, 4]
print(token_ids_to_names(tokens))  # ['QUARANTE', 'DEUX']

Generation de corpus

python scripts/generate_corpus.py \
    --output-dir /data/voix_ssd/formula_corpus/ \
    --n-base 16000 \
    --n-augmentations 3 \
    --seed 42 \
    --num-workers 4

Licence

AGPL-3.0-or-later — voir LICENCE.txt