Stt Fr Conformer Transducer Large

🚀 NVIDIA Conformer-Transducer Large (fr)

該模型在包含超過1500小時法語語音的複合數據集上進行訓練，是Conformer - Transducer的大型版本（約1.2億個參數），可用於自動語音識別任務。

🚀 快速開始

此模型可用於NeMo工具包，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。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之後再安裝它。

pip install nemo_toolkit['all']

✨ 主要特性

• 基於複合數據集訓練，包含超過1500小時的法語語音。
• 是Conformer - Transducer的大型版本，約1.2億個參數。
• 可用於自動語音識別任務，在多個評估數據集上有較好的表現。

📦 安裝指南

要使用此模型，需要安裝 NVIDIA NeMo。建議在安裝最新版本的PyTorch之後再安裝它，使用以下命令進行安裝：

pip install nemo_toolkit['all']

💻 使用示例

基礎用法

自動實例化模型：

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

高級用法

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

然後進行轉錄：

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

轉錄多個音頻文件

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

📚 詳細文檔

輸入

該模型接受16000 kHz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。

模型架構

Conformer - Transducer模型是Conformer模型 [1] 用於自動語音識別的自迴歸變體，它使用Transducer損失/解碼而不是CTC損失。完整的架構細節請參閱 模型架構 部分和 NeMo文檔。

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Sentence - piece分詞器 [2] 使用訓練集的文本轉錄通過 腳本 構建。

數據集

此集合中的所有模型都在一個複合數據集（NeMo ASRSET）上進行訓練，該數據集包含超過一千小時的法語語音：

• MozillaCommonVoice 7.0 - 356小時
• Multilingual LibriSpeech - 1036小時
• VoxPopuli - 182小時

兩個模型使用相同的數據集，不過在第二個模型的訓練中，有一個去除數據中連字符的預處理步驟。

性能

自動語音識別模型的性能使用詞錯誤率（WER）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，因此在一般的音頻轉錄中通常會表現得更好。最新模型在以下評估數據集上獲得了以下貪心得分：

• MCV7.0開發集：6.85 %
• MCV7.0測試集：7.95 %
• MLS開發集：5.05 %
• MLS測試集：4.10 %

請注意，這些評估數據集已經過過濾和預處理，僅包含法文字母字符，並且去除了連字符和撇號以外的標點符號。

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，該模型的性能可能會下降。對於帶有口音的語音，模型的表現可能也會更差。此外，由於訓練集的部分內容包含1990年前後正字法改革的文本，兩種風格之間的標點規則可能會有所不同。對於需要更高一致性的下游任務，可能需要進行微調或下游處理。如果不需要精確的正字法，建議使用第二個模型。

📄 許可證

本項目採用CC - BY - 4.0許可證。

🔗 參考資料

• [1] Conformer: Convolution-augmented Transformer for Speech Recognition
• [2] Google Sentencepiece Tokenizer
• [3] NVIDIA NeMo Toolkit