シオン・プロジェクトのスパイクとして作ったスクリプト（ESPnetでASRできるか検証）

asr_espnet.py

import argparse

import soundfile
from espnet2.bin.asr_inference import Speech2Text

parser = argparse.ArgumentParser()
parser.add_argument("audio_file_path")  # sayコマンドなどで準備する
args = parser.parse_args()

speech2text = Speech2Text.from_pretrained("kan-bayashi/csj_asr_train_asr_transformer_raw_char_sp_valid.acc.ave")

speech_array, sampling_rate = soundfile.read(args.audio_file_path)

nbests = speech2text(speech_array)
text, tokens, *_ = nbests[0]
print(text)