Stt Fr Conformer Ctc Large

🚀 NVIDIA Conformer-CTC Large (fr)

NVIDIA Conformer-CTC Large (fr) 模型基於超過1500小時的法語語音數據進行訓練，是 Conformer 的非自迴歸“大型”變體，擁有約1.2億個參數，可用於自動語音識別任務，還能與 NVIDIA Riva 兼容以進行生產級服務器部署。

🚀 快速開始

此模型可在 NeMo 工具包中使用，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。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 之後進行安裝。

pip install nemo_toolkit['all']

自動實例化模型

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

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_ctc_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

✨ 主要特性

• 數據豐富：在包含超過1500小時法語語音的複合數據集上訓練。
• 模型規模大：Conformer 的非自迴歸“大型”變體，約1.2億個參數。
• 兼容性強：與 NVIDIA Riva 兼容，可用於生產級服務器部署。

📦 安裝指南

要使用該模型，需安裝 NVIDIA NeMo，建議在安裝最新版本的 PyTorch 之後進行安裝：

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("nvidia/stt_fr_conformer_ctc_large")

高級用法

轉錄單個音頻文件

import nemo.collections.asr as nemo_asr
import os

# 下載示例音頻文件
os.system("wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav")

# 加載模型
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained("nvidia/stt_fr_conformer_ctc_large")

# 轉錄音頻
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_ctc_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 詳細文檔

模型架構

Conformer-CTC 模型是用於自動語音識別的 Conformer 模型的非自迴歸變體，它使用 CTC 損失/解碼而不是 Transducer。更多詳細架構信息請參考：Conformer-CTC 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 此腳本 和 此基礎配置 進行訓練。

這些模型的分詞器使用訓練集的文本轉錄通過 此腳本 構建。

用於重評分的語言模型的檢查點可在 此處 找到。更多關於如何為 ASR 模型訓練和使用語言模型的信息請參考：ASR Language Modeling

數據集

本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，但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，因此在一般音頻轉錄方面通常表現更好。

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 - 8.35 %
• MCV7.0 測試集 - 9.63 %
• MLS 開發集 - 5.88 %
• MLS 測試集 - 4.91 %

使用 128 束搜索和 4gram KenLM 模型時：

• MCV7.0 開發集 - 7.95 %
• MCV7.0 測試集 - 9.16 %
• MLS 開發集 - 5.57 %
• MLS 測試集 - 4.66 %

請注意，這些評估數據集已進行過濾和預處理，僅包含法文字母字符，並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訓練的，對於包含技術術語或模型未訓練過的方言的語音，其性能可能會下降。對於帶有口音的語音，模型的性能也可能較差。

此外，由於訓練集的部分內容包含 1990 年前後的正字法改革文本，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。

與 NVIDIA Riva 部署

為了獲得最佳的即時準確性、低延遲和高吞吐量，可使用 NVIDIA Riva 部署該模型，它是一個可在本地、所有云、多雲、混合雲、邊緣和嵌入式設備上部署的加速語音 AI SDK。

此外，Riva 還提供以下功能：

• 針對最常見語言的開箱即用的世界級準確性，其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）以及聲學模型、語言模型和逆文本規範化定製功能的一流準確性。
• 流式語音識別、Kubernetes 兼容的擴展以及企業級支持。

查看 Riva 即時演示。

🔧 技術細節

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。

📄 許可證

本模型採用 CC BY 4.0 許可證。

參考文獻

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