Stt En Fastconformer Transducer Xlarge

🚀 NVIDIA FastConformer-Transducer XLarge (en)

このモデルは、英語の音声を小文字のアルファベットで文字起こしします。FastConformer Transducerの「Extra Large」バージョン（約6億1800万のパラメータ）です。完全なアーキテクチャの詳細については、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: トレーニング

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、NeMoをインストールすることをおすすめします。

pip install nemo_toolkit['all']

このモデルの使い方

このモデルは、NeMoツールキット[3]で使用でき、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利用できます。

💻 使用例

基本的な使用法

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

高度な使用法

Pythonを使用した文字起こし

まず、サンプルを取得します。

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

次に、以下のように実行します。

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

多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/stt_en_fastconformer_transducer_xlarge" 
 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音声を文字列として提供します。

🔧 技術詳細

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倍の深度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、Transducerデコーダ（RNNT）損失を用いたマルチタスク設定でトレーニングされています。FastConformerの詳細については、こちらで詳しく説明されています: Fast-Conformer Model。

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がトレーニングされました。これらのモデルは、このサンプルスクリプトとこの基本設定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ました。

データセット

このコレクションのモデルは、数千時間の英語音声から構成される複合データセット（NeMo ASRSet En）でトレーニングされています。

• Librispeech: 960時間の英語音声
• Fisher Corpus
• Switchboard-1 Dataset
• WSJ-0と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き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より良い性能を発揮します。

以下の表は、このコレクションで利用可能なモデルのTransducerデコーダ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。

制限事項

このモデルは公開されている音声データセットでトレーニングされているため、モデルがトレーニングされていない専門用語や方言を含む音声に対しては、性能が低下する可能性があります。また、アクセントのある音声に対しても性能が低下する場合があります。

NVIDIA Riva: 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、最も一般的な言語に対する世界クラスの精度
• 実行時の単語ブースト（例: ブランドや製品名）と音響モデル、言語モデル、および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。

参考文献

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition

[2] Google Sentencepiece Tokenizer

[3] NVIDIA NeMo Toolkit

📄 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に準拠しています。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。