Stt Ua Fastconformer Hybrid Large Pc

🚀 NVIDIA FastConformer-Hybrid Large (ua)

本模型可將烏克蘭語語音轉錄為包含大小寫字母、空格、句號、逗號和問號的文本。它是FastConformer Transducer - CTC的“大型”版本（約1.15億個參數），這是一個基於Transducer（默認）和CTC兩種損失函數訓練的混合模型。如需瞭解完整的架構細節，請參閱模型架構部分和NeMo文檔。

🚀 快速開始

若要訓練、微調或使用該模型，你需要安裝 NVIDIA NeMo。我們建議你在安裝最新版本的Pytorch後再進行安裝。

pip install nemo_toolkit['all']

✨ 主要特性

• 能夠轉錄烏克蘭語語音，輸出包含大小寫字母及常用標點符號的文本。
• 採用FastConformer Transducer - CTC架構，約1.15億個參數。
• 基於兩種損失函數（Transducer和CTC）訓練的混合模型。

📦 安裝指南

若要訓練、微調或使用該模型，你需要安裝 NVIDIA NeMo。建議在安裝最新版本的Pytorch後再進行安裝，安裝命令如下：

pip install nemo_toolkit['all']

💻 使用示例

基礎用法

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecHybridRNNTCTCBPEModel.from_pretrained(model_name="nvidia/stt_ua_fastconformer_hybrid_large_pc")

高級用法

轉錄單個音頻文件

首先，獲取一個示例音頻文件：

wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav

然後進行轉錄：

output = asr_model.transcribe(['2086-149220-0033.wav'])
print(output[0].text)

轉錄多個音頻文件

使用Transducer模式推理：

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_ua_fastconformer_hybrid_large_pc" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

使用CTC模式推理：

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_ua_fastconformer_hybrid_large_pc" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"
 decoder_type="ctc"

📚 詳細文檔

模型架構

FastConformer [1] 是Conformer模型的優化版本，具有8倍深度可分離卷積下采樣。該模型在多任務設置中進行訓練，結合了Transducer和CTC解碼器損失。你可以在以下鏈接找到更多關於FastConformer的詳細信息：Fast - Conformer Model 以及關於混合Transducer - CTC訓練的信息：Hybrid Transducer - CTC。

訓練

使用NeMo工具包 [3] 對模型進行了數百個epoch的訓練。這些模型使用 示例腳本 和 基礎配置 進行訓練。

這些模型的分詞器是使用訓練集的文本轉錄構建的，使用 此腳本。

數據集

本集合中的所有模型都在一個複合數據集（NeMo PnC ASRSET）上進行訓練，該數據集包含153小時的烏克蘭語語音：

• MCV12（70小時）
• M - AILabs（83小時）

性能

自動語音識別模型的性能通過詞錯誤率（Word Error Rate）來衡量。由於該數據集在多個領域和更大的語料庫上進行訓練，因此在一般情況下，它在轉錄音頻方面的表現會更好。

以下表格總結了本集合中可用模型在使用Transducer解碼器時的性能。ASR模型的性能以詞錯誤率（WER%）的形式報告，採用貪心解碼。

a) 無標點和大寫數據上使用Transducer解碼器的性能

b) 有標點和大寫數據上使用Transducer解碼器的性能

侷限性

由於該模型是在公開可用的語音數據集上進行訓練的，因此對於包含技術術語或模型未訓練過的方言的語音，其性能可能會下降。對於帶有口音的語音，模型的表現也可能較差。此外，該模型僅輸出 '.', ',', '?' 這些標點符號，因此在需要其他標點符號的場景中可能表現不佳。

NVIDIA Riva部署

NVIDIA Riva 是一個加速的語音AI SDK，可部署在本地、所有云、多雲、混合雲、邊緣和嵌入式設備上。此外，Riva還提供：

• 針對最常見語言的世界級開箱即用準確性，模型檢查點在專有數據上進行了數十萬GPU計算小時的訓練。
• 具有運行時單詞增強（例如品牌和產品名稱）以及聲學模型、語言模型和逆文本規範化的定製功能的一流準確性。
• 流式語音識別、Kubernetes兼容的擴展和企業級支持。

雖然Riva目前不支持此模型，但 支持的模型列表在此。你可以查看 Riva即時演示。

🔧 技術細節

FastConformer是Conformer模型的優化版本，採用8倍深度可分離卷積下采樣。模型在多任務設置中訓練，結合了Transducer和CTC解碼器損失。訓練使用NeMo工具包，通過特定的示例腳本和基礎配置進行了數百個epoch的訓練。分詞器使用訓練集的文本轉錄構建。

📄 許可證

使用此模型的許可受 CC - BY - 4.0 許可協議的約束。通過下載模型的公開和發佈版本，即表示你接受 CC - BY - 4.0 許可協議的條款和條件。

參考文獻

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Google Sentencepiece Tokenizer [3] NVIDIA NeMo Toolkit