Parakeet Tdt 1.1b

🚀 Parakeet TDT 1.1B (英文)

parakeet-tdt-1.1b 是一個自動語音識別（ASR）模型，可將語音轉錄為小寫英文字母。該模型由 NVIDIA NeMo 和 Suno.ai 團隊聯合開發。它是 FastConformer [1] TDT [2] 的 XXL 版本（約 11 億參數）模型。有關完整的架構細節，請參閱模型架構部分和 NeMo 文檔。

🚀 快速開始

安裝 NVIDIA NeMo

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']

使用模型

該模型可在 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。

自動實例化模型

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-tdt-1.1b")

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/parakeet-tdt-1.1b" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

輸入

該模型接受 16000 Hz 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。

✨ 主要特性

• 先進架構：採用 FastConformer-TDT 架構，結合了 FastConformer 的高效卷積下采樣和 TDT 對令牌和持續時間的解耦預測，提升了推理速度。
• 多領域訓練：在多個公共數據集和大量私有數據上進行訓練，涵蓋多種語音場景，具有更好的泛化能力。
• 性能優異：在多個自動語音識別任務中，具有較低的單詞錯誤率（WER）。

📦 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 後再安裝它。

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.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-tdt-1.1b")

高級用法

轉錄單個音頻文件

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-tdt-1.1b")
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/parakeet-tdt-1.1b" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 詳細文檔

模型架構

該模型使用 FastConformer-TDT 架構。FastConformer [1] 是 Conformer 模型的優化版本，具有 8 倍深度可分離卷積下采樣。有關 FastConformer 的更多詳細信息，請參閱 Fast-Conformer 模型。

TDT（Token-and-Duration Transducer）[2] 是傳統 Transducer 的推廣，通過解耦令牌和持續時間預測。與傳統 Transducer 在推理過程中產生大量空白不同，TDT 模型可以通過使用持續時間輸出（對於 parakeet-tdt-1.1b 模型，最多 4 幀）跳過大部分空白預測，從而顯著提高推理速度。有關 TDT 的詳細信息，請參閱 Efficient Sequence Transduction by Jointly Predicting Tokens and Durations。

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。

這些模型的分詞器使用訓練集的文本轉錄通過 腳本 構建。

數據集

該模型在 NVIDIA NeMo 和 Suno 團隊收集和準備的 64000 小時英語語音上進行訓練。

訓練數據集由 40000 小時的英語語音私有子集和來自以下公共數據集的 24000 小時組成：

• Librispeech：960 小時的英語語音
• Fisher Corpus
• 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）
• People's Speech - 12000 小時子集

性能

自動語音識別模型的性能使用單詞錯誤率（WER）進行衡量。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。

以下表格總結了該集合中可用模型使用 Transducer 解碼器的性能。ASR 模型的性能以貪婪解碼的單詞錯誤率（WER%）報告。

這些是沒有外部語言模型的貪婪 WER 數值。有關評估的更多詳細信息，請參閱 HuggingFace ASR 排行榜。

模型公平性評估

正如論文 "Towards Measuring Fairness in AI: the Casual Conversations Dataset" 中所述，我們評估了 parakeet-tdt-1.1b 模型的公平性。該模型在 CausalConversations-v1 數據集上進行評估，結果如下：

性別偏差

年齡偏差

（公平性評估的錯誤率通過對參考文本和預測文本進行歸一化確定，與 https://github.com/huggingface/open_asr_leaderboard 中的評估方法類似。）

NVIDIA Riva 部署

NVIDIA Riva 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：

• 卓越的開箱即用準確性：針對最常見語言，使用經過數十萬 GPU 計算小時的專有數據訓練的模型檢查點。
• 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：支持 Kubernetes 兼容的擴展和企業級支持。

儘管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

模型架構

• FastConformer：是 Conformer 模型的優化版本，通過 8 倍深度可分離卷積下采樣，減少了計算量，提高了模型的效率。
• TDT：通過解耦令牌和持續時間的預測，避免了傳統 Transducer 在推理過程中產生大量空白的問題，從而顯著提高了推理速度。

訓練細節

• 訓練工具：使用 NeMo 工具包進行訓練，該工具包提供了豐富的功能和優化算法。
• 訓練腳本和配置：使用特定的示例腳本和基礎配置，確保模型的訓練過程穩定和高效。
• 分詞器：使用 SentencePiece Unigram 分詞器，通過訓練集的文本轉錄構建詞彙表。

📄 許可證

使用該模型的許可遵循 CC-BY-4.0。通過下載該模型的公共和發佈版本，即表示你接受 CC-BY-4.0 許可的條款和條件。

參考文獻

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Efficient Sequence Transduction by Jointly Predicting Tokens and Durations [3] Google Sentencepiece Tokenizer [4] NVIDIA NeMo Toolkit [5] Suno.ai [6] HuggingFace ASR Leaderboard [7] Towards Measuring Fairness in AI: the Casual Conversations Dataset