Parakeet Ctc 0.6b

🚀 Parakeet CTC 0.6B (en)

parakeet-ctc-0.6b 是一個自動語音識別（ASR）模型，可將語音轉錄為小寫英文字母。該模型由 NVIDIA NeMo 和 Suno.ai 團隊聯合開發，是 FastConformer CTC [1] 的 XL 版本（約 6 億個參數）。有關完整的架構細節，請參閱模型架構部分和 NeMo 文檔。

🚀 快速開始

安裝 NVIDIA NeMo

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 後再安裝它。

pip install nemo_toolkit['all']

使用模型

該模型可在 NeMo 工具包 [3] 中使用，可作為預訓練檢查點進行推理或在其他數據集上進行微調。

自動實例化模型

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/parakeet-ctc-0.6b")

使用 Python 進行轉錄

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，簡單地執行以下操作：

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

轉錄多個音頻文件

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-ctc-0.6b" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

輸入

該模型接受 16000 Hz 的單聲道音頻（wav 文件）作為輸入。

輸出

該模型為給定的音頻樣本提供轉錄後的語音字符串。

✨ 主要特性

• 先進架構：基於 FastConformer [1] 架構，這是 Conformer 模型的優化版本，具有 8 倍深度可分離卷積下采樣，並使用 CTC 損失進行訓練。
• 多領域訓練：在多個公共數據集和私有數據集上進行訓練，涵蓋了 64K 小時的英語語音，使其在不同領域的音頻轉錄中表現出色。
• 高性能：在多個基準測試中表現良好，具有較低的詞錯誤率（WER）。

📦 安裝指南

要使用該模型，需要安裝 NVIDIA NeMo 工具包。建議在安裝最新版本的 PyTorch 後執行以下命令：

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.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/parakeet-ctc-0.6b")

高級用法

轉錄單個音頻文件

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/parakeet-ctc-0.6b")
# 獲取示例音頻文件
import os
os.system("wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav")
# 轉錄音頻文件
result = asr_model.transcribe(['2086-149220-0033.wav'])
print(result)

轉錄多個音頻文件

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-ctc-0.6b" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 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。該模型使用 CTC 損失進行訓練。有關 FastConformer 的更多詳細信息，請參閱 Fast-Conformer Model。

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。

這些模型的分詞器使用訓練集的文本轉錄通過 腳本 構建。

數據集

該模型在由 NVIDIA NeMo 和 Suno 團隊收集和準備的 64K 小時英語語音上進行訓練。

訓練數據集由一個 40K 小時的英語語音私有子集和來自以下公共數據集的 24K 小時語音組成：

• Librispeech：960 小時的英語語音
• Fisher Corpus
• Switchboard-1 Dataset
• WSJ-0 和 WSJ-1
• National Speech Corpus (Part 1, Part 6)
• VCTK
• VoxPopuli (EN)
• Europarl-ASR (EN)
• Multilingual Librispeech (MLS EN) - 2000 小時子集
• Mozilla Common Voice (v7.0)
• People's Speech - 12000 小時子集

性能

自動語音識別模型的性能使用詞錯誤率（WER）進行衡量。由於該數據集在多個領域和更大的語料庫上進行訓練，因此在一般音頻轉錄中通常表現更好。

以下表格總結了該集合中可用模型使用 CTC 解碼器的性能。ASR 模型的性能以貪婪解碼的詞錯誤率（WER%）報告。

這些是沒有外部語言模型的貪婪 WER 數字。有關評估的更多詳細信息，請參閱 HuggingFace ASR Leaderboard。

NVIDIA Riva 部署

NVIDIA Riva 是一個加速的語音 AI SDK，可在本地、所有云、多雲、混合雲、邊緣和嵌入式設備上部署。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）的一流準確性，以及對聲學模型、語言模型和逆文本歸一化的定製。
• 流式語音識別、Kubernetes 兼容擴展和企業級支持。

雖然該模型目前尚未得到 Riva 的支持，但 支持的模型列表在此。請查看 Riva 即時演示。

🔧 技術細節

• 模型訓練：使用 NeMo 工具包 [3] 進行訓練，訓練腳本和配置文件可在 GitHub 上找到。
• 分詞器：使用 SentencePiece Unigram 分詞器，詞彙量為 1024。
• 訓練數據：涵蓋了多個公共數據集和私有數據集，總計 64K 小時的英語語音。

📄 許可證

使用該模型的許可證遵循 CC-BY-4.0。通過下載該模型的公共和發佈版本，即表示您接受 CC-BY-4.0 許可證的條款和條件。

參考文獻

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