Parakeet Rnnt 1.1b

🚀 Parakeet RNNT 1.1B (en)

parakeet-rnnt-1.1b 是一个自动语音识别（ASR）模型，可将语音转录为小写英文字母。该模型由 NVIDIA NeMo 和 Suno.ai 团队联合开发。它是 FastConformer Transducer [1] 的 XXL 版本（约 11 亿参数）模型。有关完整的架构细节，请参阅模型架构部分和 NeMo 文档。

🚀 快速开始

要训练、微调或使用该模型，你需要安装 NVIDIA NeMo。我们建议你在安装最新版本的 PyTorch 之后再安装它。

pip install nemo_toolkit['all']

✨ 主要特性

• 专为英文语音转录设计，输出小写英文字母。
• 基于 FastConformer Transducer 架构，参数约 11 亿。
• 由 NVIDIA NeMo 和 Suno.ai 团队联合开发。

📦 安装指南

要训练、微调或使用该模型，你需要安装 NVIDIA NeMo。建议在安装最新版本的 PyTorch 之后进行安装：

pip install nemo_toolkit['all']

💻 使用示例

基础用法

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

高级用法

转录单个音频文件

首先，获取一个示例音频文件：

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

然后进行转录：

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

转录多个音频文件

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

📚 详细文档

输入

该模型接受 16000 Hz 单声道音频（wav 文件）作为输入。

输出

该模型为给定的音频样本提供转录后的语音字符串。

🔧 技术细节

模型架构

FastConformer [1] 是 Conformer 模型的优化版本，具有 8 倍深度可分离卷积下采样。该模型在多任务设置中使用 Transducer 解码器（RNNT）损失进行训练。你可以在Fast-Conformer Model中找到有关 FastConformer 详细信息。

训练

使用 NeMo 工具包 [3] 对模型进行了数百个 epoch 的训练。这些模型使用示例脚本和基础配置进行训练。

这些模型的分词器使用训练集的文本转录通过脚本构建。

数据集

该模型在由 NVIDIA NeMo 和 Suno 团队收集和准备的 64000 小时英文语音上进行训练。

训练数据集由一个 40000 小时英文语音的私有子集和来自以下公共数据集的 24000 小时语音组成：

• Librispeech：960 小时英文语音
• Fisher Corpus
• Switchboard-1 数据集
• WSJ-0 和 WSJ-1
• 国家语音语料库（第 1 部分，第 6 部分）
• VCTK
• VoxPopuli（EN）
• Europarl-ASR（EN）
• 多语言 Librispeech（MLS EN） - 2000 小时子集
• Mozilla Common Voice（v7.0）
• People's Speech - 12000 小时子集

性能

自动语音识别模型的性能使用词错误率（WER）进行衡量。由于该数据集在多个领域和更大的语料库上进行训练，因此在一般音频转录方面通常表现更好。

以下表格总结了该集合中使用 Transducer 解码器的可用模型的性能。ASR 模型的性能以词错误率（WER%）的形式报告，采用贪心解码。

这些是没有外部语言模型的贪心 WER 数值。有关评估的更多详细信息，请参阅HuggingFace ASR 排行榜。

NVIDIA Riva 部署

NVIDIA Riva 是一个加速的语音 AI SDK，可在本地、所有云、多云、混合云、边缘和嵌入式设备上部署。

此外，Riva 还提供：

• 针对最常见语言的世界级开箱即用准确性，模型检查点在专有数据上进行了数十万 GPU 计算小时的训练。
• 具有运行时词增强（例如品牌和产品名称）以及声学模型、语言模型和逆文本归一化定制的一流准确性。
• 流式语音识别、Kubernetes 兼容扩展和企业级支持。

虽然该模型目前不受 Riva 支持，但支持的模型列表在此。请查看 Riva 实时演示。

📄 许可证

使用此模型的许可受 CC-BY-4.0 许可协议的约束。通过下载该模型的公共和发布版本，即表示你接受 CC-BY-4.0 许可协议的条款和条件。

参考资料

[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