Stt En Citrinet 1024 Gamma 0 25

🚀 NVIDIA Streaming Citrinet 1024 (en-US)

本模型用於將語音轉錄為包含空格和撇號的小寫英文字符，它在數千小時的英語語音數據上進行了訓練。該模型是Streaming Citrinet的非自迴歸“大型”變體，擁有約1.4億個參數。完整的架構細節請參考模型架構部分和NeMo文檔。此外，它還與NVIDIA Riva兼容，可用於生產級服務器部署。

| | | | |

🚀 快速開始

本模型可在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。

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

• 可將語音轉錄為小寫英文，包含空格和撇號。
• 基於Streaming Citrinet的非自迴歸“大型”變體，約1.4億參數。
• 與NVIDIA Riva兼容，適用於生產級服務器部署。

📦 安裝指南

要使用該模型，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']

💻 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_en_citrinet_1024_gamma_0_25")

高級用法

轉錄單個音頻文件

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)

轉錄多個音頻文件

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_en_citrinet_1024_gamma_0_25" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

輸入

本模型接受16000 kHz單聲道音頻（wav文件）作為輸入。

輸出

本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

Streaming Citrinet-1024模型是用於自動語音識別的Citrinet模型[1]的非自迴歸、流式變體，它使用CTC損失/解碼而不是Transducer。你可以在Citrinet Model中找到關於此模型的更多信息。

訓練

使用NeMo工具包[3]對模型進行了數百個epoch的訓練。該模型使用此示例腳本和此基礎配置進行訓練。

此模型的分詞器使用訓練集的文本轉錄，通過此腳本構建。

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，該數據集包含數千小時的英語語音：

• Librispeech 960小時英語語音
• Fisher語料庫
• Switchboard-1數據集
• WSJ-0和WSJ-1
• 新加坡國家語料庫（第1部分，第6部分）

注意：較舊版本的模型可能在較小的數據集上進行訓練。

性能

此集合中可用模型的列表如下表所示。ASR模型的性能以單詞錯誤率（WER%）和貪心解碼的方式報告。

在使用NVIDIA Riva進行部署時，你可以將此模型與外部語言模型結合使用，以進一步提高WER。最新模型在不同語言建模技術下的WER(%)如下表所示。

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。該模型對於帶有口音的語音也可能表現較差。

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。NVIDIA Riva是一個加速語音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訓練，使用了數十萬小時的GPU計算資源。
• 一流的準確性，支持運行時單詞增強（例如品牌和產品名稱），並可自定義聲學模型、語言模型和逆文本歸一化。
• 流式語音識別、Kubernetes兼容的擴展和企業級支持。

查看Riva即時演示。

🔧 技術細節

本模型是Streaming Citrinet的非自迴歸“大型”變體，使用CTC損失/解碼進行自動語音識別。訓練使用了NeMo工具包，在複合數據集NeMo ASRSET上進行了數百個epoch的訓練。

📄 許可證

本模型使用CC BY 4.0許可證。

參考文獻

[1] Citrinet: Closing the Gap between Non-Autoregressive and Autoregressive End-to-End Models for Automatic Speech Recognition [2] Google Sentencepiece Tokenizer [3] NVIDIA NeMo Toolkit