Stt En Conformer Transducer Xlarge

🚀 NVIDIA Conformer-Transducer X-Large (en-US)

該模型可將語音轉錄為小寫英文文本，支持空格和撇號。它是Conformer - Transducer的“超大”版本模型（約6億參數）。如需瞭解完整的架構細節，請參閱模型架構部分和NeMo文檔。

🚀 快速開始

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']

(如果出現錯誤): 
pip install nemo_toolkit[all]

✨ 主要特性

• 可將語音轉錄為小寫英文文本，支持空格和撇號。
• 屬於Conformer - Transducer的“超大”版本模型，約6億參數。

📦 安裝指南

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']

(如果出現錯誤): 
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_en_conformer_transducer_xlarge")

高級用法

使用Python進行轉錄

首先，獲取一個樣本：

wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav

然後簡單執行以下操作：

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_conformer_transducer_xlarge" 
 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。

🔧 技術細節

模型架構

Conformer - Transducer模型是用於自動語音識別的Conformer模型[1]的自迴歸變體，它使用Transducer損失/解碼而不是CTC損失。你可以在Conformer - Transducer模型中找到關於該模型細節的更多信息。

訓練

使用NeMo工具包[3]對模型進行了數百個epoch的訓練。這些模型使用示例腳本和基礎配置進行訓練。

這些模型的分詞器是使用訓練集的文本轉錄，通過腳本構建的。

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小時的英語語音
• Fisher語料庫
• Switchboard - 1數據集
• WSJ - 0和WSJ - 1
• 國家語音語料庫（第1部分、第6部分）
• VCTK
• VoxPopuli（英語）
• Europarl - ASR（英語）
• 多語言Librispeech（MLS英語） - 2000小時子集
• Mozilla Common Voice（v8.0）
• People's Speech - 12000小時子集

注意：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。

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。該模型對於帶口音的語音表現可能也會更差。

NVIDIA Riva：部署

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率，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、語言模型和逆文本歸一化定製功能的一流準確率。
• 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。你可以查看 Riva即時演示。

參考資料

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

📄 許可證

使用此模型的許可受CC - BY - 4.0許可協議的約束。通過下載該模型的公開和發佈版本，即表示你接受CC - BY - 4.0許可協議的條款和條件。