Stt En Conformer Ctc Large

🚀 NVIDIA Conformer-CTC Large (en-US)

本模型可將語音轉錄為包含空格和撇號的小寫英文字母，它在數千小時的英語語音數據上進行了訓練。它是Conformer的非自迴歸“大型”變體，約有1.2億個參數。查看模型架構部分和NeMo文檔，可瞭解完整的架構細節。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用於推理，或在其他數據集上進行微調。

若要訓練、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後再安裝它。

pip install nemo_toolkit['all']

✨ 主要特性

• 可將語音轉錄為包含空格和撇號的小寫英文字母。
• 基於Conformer的非自迴歸“大型”變體，約有1.2億個參數。
• 與NVIDIA Riva兼容，適用於生產級服務器部署。

📦 安裝指南

若要訓練、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後再安裝它。

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.EncDecCTCModelBPE.from_pretrained("nvidia/stt_en_conformer_ctc_large")

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

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-CTC模型是用於自動語音識別的Conformer模型[1]的非自迴歸變體，它使用CTC損失/解碼而不是Transducer。你可以在Conformer-CTC模型中找到該模型的更多詳細信息。

訓練

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

這些模型的分詞器使用訓練集的文本轉錄，通過腳本構建。

用作神經重評分器的語言模型的檢查點可在此處找到。你可以在ASR語言建模中找到有關如何為ASR模型訓練和使用語言模型的更多信息。

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（v7.0）

注意：舊版本的模型可能在較小的數據集上進行訓練。

性能

本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%）報告，採用貪心解碼。

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，以進一步降低WER。下表報告了最新模型在不同語言建模技術下的WER(%)。

侷限性

由於該模型在公開可用的語音數據集上進行訓練，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，模型的表現也可能較差。

使用NVIDIA Riva進行部署

為了獲得最佳的即時準確性、低延遲和高吞吐量，請使用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，其模型檢查點在專有數據上進行訓練，經過數十萬小時的GPU計算。
• 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、語言模型和反向文本歸一化。
• 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

該模型是Conformer的非自迴歸“大型”變體，約有1.2億個參數。它使用CTC損失/解碼進行訓練，可將語音轉錄為包含空格和撇號的小寫英文字母。訓練數據包含多個英語語音數據集，總時長數千小時。

📄 許可證

本模型使用的許可證為CC BY 4.0。

參考文獻

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