Stt De Conformer Transducer Large

🚀 NVIDIA Conformer-Transducer Large (de)

該模型是用於德語自動語音識別的大型模型，基於Conformer-Transducer架構，在多個德語語音數據集上進行訓練，能以較低的詞錯誤率完成語音轉錄任務。

🚀 快速開始

本模型可用於德語語音的自動識別任務，以下是使用該模型的基本步驟和示例代碼。

✨ 主要特性

• 架構先進：採用Conformer-Transducer架構，結合了卷積和Transformer的優勢，適用於自動語音識別任務。
• 多數據集訓練：在多個德語語音數據集上進行訓練，包括VoxPopuli、Multilingual Librispeech和Mozilla Common Voice等，提升了模型的泛化能力。
• 低詞錯誤率：在多個測試集上取得了較低的詞錯誤率（WER），如在common-voice-7-0測試集上WER為4.93，在Multilingual LibriSpeech測試集上WER為3.85。

📦 安裝指南

要訓練、微調或使用該模型，需要安裝NVIDIA NeMo庫。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

自動實例化模型

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

高級用法

單音頻文件轉錄

首先，獲取一個音頻樣本

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)

多音頻文件轉錄

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

輸入輸出說明

• 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。

📚 詳細文檔

模型架構

Conformer-Transducer模型是Conformer模型的自迴歸變體，用於自動語音識別，使用Transducer損失/解碼而不是CTC損失。更多詳細信息可參考：Conformer-Transducer Model。

訓練過程

使用NeMo工具包進行了數百個epoch的訓練。模型使用示例腳本和基礎配置進行訓練。

數據集

該模型在一個複合數據集（NeMo ASRSET）上進行訓練，該數據集包含數千小時的德語語音：

• VoxPopuli (DE) 200小時子集
• Multilingual Librispeech (MLS DE) - 1500小時子集
• Mozilla Common Voice (v7.0)

性能表現

該模型集合中可用模型的性能以詞錯誤率（WER%）報告，採用貪心解碼。

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方言的語音，模型性能可能會下降。此外，對於帶有口音的語音，模型性能也可能較差。

NVIDIA Riva部署

NVIDIA Riva是一個加速的語音AI SDK，可部署在本地、所有云、多雲、混合雲、邊緣和嵌入式設備上。此外，Riva提供：

• 針對最常見語言的世界級開箱即用準確率，使用專有數據進行訓練的模型檢查點，經過數十萬小時的GPU計算。
• 一流的準確率，支持運行時單詞增強（如品牌和產品名稱），以及聲學模型、語言模型和逆文本歸一化的定製。
• 流式語音識別、Kubernetes兼容的擴展和企業級支持。

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。查看Riva即時演示。

🔧 技術細節

模型的技術細節可參考以下論文和文檔：

• Conformer: Convolution-augmented Transformer for Speech Recognition
• Google Sentencepiece Tokenizer
• NVIDIA NeMo Toolkit

📄 許可證

使用該模型的許可證為CC-BY-4.0。下載該模型的公開版本即表示您接受CC-BY-4.0許可證的條款和條件。