Parakeet Ctc 1.1b

🚀 Parakeet CTC 1.1B (en)

parakeet-ctc-1.1b は、英語の音声を小文字のアルファベットで文字起こしする自動音声認識（ASR）モデルです。このモデルは、NVIDIA NeMo と Suno.ai のチームによって共同開発されました。FastConformer CTC [1] のXXLバージョン（約11億パラメータ）のモデルです。詳細なアーキテクチャについては、モデルアーキテクチャ セクションと NeMoドキュメント を参照してください。

| |

🚀 クイックスタート

NVIDIA NeMoのインストール

モデルをトレーニング、ファインチューニング、または操作するには、NVIDIA NeMo をインストールする必要があります。最新バージョンのPyTorchをインストールした後に、以下のコマンドでインストールすることをおすすめします。

pip install nemo_toolkit['all']

モデルの使用方法

このモデルは、NeMoツールキット [3] で使用可能であり、推論または別のデータセットでのファインチューニングのための事前学習済みチェックポイントとして使用できます。

モデルの自動インスタンス化

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/parakeet-ctc-1.1b")

Pythonを使用した文字起こし

まず、サンプル音声ファイルを取得します。

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

次に、以下のコマンドで文字起こしを行います。

asr_model.transcribe(['2086-149220-0033.wav'])

複数の音声ファイルの文字起こし

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-ctc-1.1b" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

入力

このモデルは、16000 Hzのモノラルチャンネルの音声（wavファイル）を入力として受け付けます。

出力

このモデルは、与えられた音声サンプルに対して文字起こしされた文字列を出力します。

✨ 主な機能

モデルアーキテクチャ

FastConformer [1] は、Conformerモデルの最適化バージョンで、8倍の深さ方向分離畳み込みダウンサンプリングを備えています。このモデルは、CTC損失を使用してトレーニングされています。FastConformerの詳細については、Fast-Conformer Model を参照してください。

トレーニング

NeMoツールキット [3] を使用して、数百エポック以上にわたってモデルをトレーニングしました。これらのモデルは、このサンプルスクリプト と このベースコンフィグ を使用してトレーニングされています。

これらのモデルのトークナイザーは、トレーニングセットのテキストトランスクリプトを使用して、このスクリプト で構築されています。

データセット

このモデルは、NVIDIA NeMoとSunoのチームによって収集および準備された64,000時間の英語の音声でトレーニングされています。

トレーニングデータセットは、40,000時間の英語の音声を含むプライベートサブセットと、以下の公開データセットからの24,000時間の音声で構成されています。

• Librispeech：960時間の英語の音声
• Fisher Corpus
• Switchboard-1 Dataset
• WSJ-0およびWSJ-1
• National Speech Corpus（Part 1、Part 6）
• VCTK
• VoxPopuli (EN)
• Europarl-ASR (EN)
• Multilingual Librispeech (MLS EN) - 2,000時間のサブセット
• Mozilla Common Voice (v7.0)
• People's Speech - 12,000時間のサブセット

性能

自動音声認識モデルの性能は、単語誤り率（Word Error Rate）を使用して測定されます。このデータセットは複数のドメインとより大規模なコーパスでトレーニングされているため、一般的に音声の文字起こしにおいて良好な性能を発揮します。

以下の表は、このコレクション内の利用可能なモデルのCTCデコーダーによる性能をまとめたものです。ASRモデルの性能は、貪欲復号化による単語誤り率（WER%）で報告されています。

これらは外部言語モデルを使用しない貪欲WERの数値です。評価の詳細については、HuggingFace ASR Leaderboard を参照してください。

NVIDIA Rivaによるデプロイメント

NVIDIA Riva は、オンプレミス、すべてのクラウド、マルチクラウド、ハイブリッド、エッジ、および組み込み環境で展開可能な高速化された音声AI SDKです。

さらに、Rivaは以下の機能を提供します。

• 数十万時間のGPUコンピュート時間で独自データを使用してトレーニングされたモデルチェックポイントによる、最も一般的な言語での世界クラスの精度
• 実行時の単語ブースト（例：ブランド名や製品名）および音響モデル、言語モデル、逆テキスト正規化のカスタマイズによる最高クラスの精度
• ストリーミング音声認識、Kubernetes互換のスケーリング、およびエンタープライズグレードのサポート

このモデルはまだRivaでサポートされていませんが、サポートされているモデルのリストはこちら です。Rivaのライブデモ もご覧ください。

📄 ライセンス

このモデルを使用するためのライセンスは、CC-BY-4.0 に基づいています。モデルの公開およびリリースバージョンをダウンロードすることにより、CC-BY-4.0 ライセンスの条件に同意するものとみなされます。

参考文献

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Google Sentencepiece Tokenizer [3] NVIDIA NeMo Toolkit [4] Suno.ai [5] HuggingFace ASR Leaderboard