Parakeet Rnnt 0.6b

🚀 Parakeet RNNT 0.6B (en)

parakeet-rnnt-0.6b 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 Transducer [1] 的 XL 版本（約 6 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。我們建議你在安裝最新版本的 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-rnnt-0.6b")

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-rnnt-0.6b" 
 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字符串。

✨ 主要特性

• 強大的模型架構：基於 FastConformer Transducer，約 6 億參數，在自動語音識別任務中表現出色。
• 多領域適應性：在多個公共數據集上進行訓練，包括 Librispeech、Fisher Corpus 等，能適應不同領域的語音識別需求。
• 易於使用：可通過 NeMo 工具包輕鬆實例化和使用，支持推理和微調。

📦 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 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.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-rnnt-0.6b")

高級用法

# 轉錄多個音頻文件
import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-rnnt-0.6b")
audio_files = ['audio1.wav', 'audio2.wav']
output = asr_model.transcribe(audio_files)
for result in output:
    print(result.text)

📚 詳細文檔

模型架構

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。該模型在多任務設置中使用 Transducer 解碼器（RNNT）損失進行訓練。你可以在 Fast-Conformer Model 中找到有關 FastConformer 詳細信息。

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。

這些模型的分詞器使用訓練集的文本轉錄通過 腳本 構建。

數據集

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

訓練數據集由一個 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（EN）
• Europarl-ASR（EN）
• 多語言 Librispeech（MLS EN） - 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詞錯誤率（Word Error Rate）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，因此在一般語音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在使用 Transducer 解碼器時的性能。ASR 模型的性能以詞錯誤率（WER%）報告，使用貪心解碼。

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

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性，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的一流準確性。
• 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。請查看 Riva 即時演示。

🔧 技術細節

模型類型

FastConformer Transducer

訓練數據

該模型在 64000 小時的英語語音上進行訓練，包括私有子集和多個公共數據集，如 Librispeech、Fisher Corpus 等。

📄 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共和發佈版本，即表示你接受 CC-BY-4.0 許可協議的條款和條件。

參考文獻

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Google Sentencepiece Tokenizer [3] NVIDIA NeMo Toolkit [4] Suno.ai [5] HuggingFace ASR Leaderboard