Stt En Fastconformer Hybrid Large Streaming Multi

🚀 NVIDIA流式Conformer-Hybrid大模型（美式英語）

本模型集合包含了支持多前瞻的緩存感知型FastConformer-Hybrid大尺寸版本（約1.14億個參數），在大規模英語語音數據上進行訓練。這些模型專為流式自動語音識別（ASR）而設計，可用於具有不同延遲（0毫秒、80毫秒、480毫秒、1040毫秒）的流式應用程序。每種情況下，模型的最壞延遲和平均延遲為上述數值的一半。你可以在此處 [5]找到更多細節和評估結果。

🚀 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流式處理或在其他數據集上進行微調。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

• 本集合包含大尺寸的緩存感知型FastConformer-Hybrid版本，約有1.14億個參數，支持多前瞻。
• 模型在大規模英語語音數據上訓練，適用於流式自動語音識別。
• 支持多種延遲設置，可用於不同的流式應用場景。

📦 安裝指南

你需要安裝 NVIDIA NeMo，建議在安裝最新版本的PyTorch之後再進行安裝，安裝命令如下：

pip install nemo_toolkit['all']

💻 使用示例

基礎用法

模擬流式ASR

你可以使用此腳本模擬這些模型的流式ASR：緩存感知流式模擬。你可以使用 --att_context_size 設置上下文大小，否則將使用列表中的第一個上下文大小（1040毫秒）作為默認值。

使用Python進行轉錄

緩存感知模型的設計使得模型在離線和流式模式下的預測結果相同。因此，你可以使用常規的轉錄函數進行轉錄。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，執行以下代碼：

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecHybridRNNTCTCBPEModel.from_pretrained(model_name="nvidia/stt_en_fastconformer_hybrid_large_streaming_multi")

# 可選：更改默認延遲。默認延遲為1040毫秒。支持的延遲：{0: 0毫秒, 1: 80毫秒, 16: 480毫秒, 33: 1040毫秒}。
# 注意：這些是最壞延遲，平均延遲為這些數值的一半。
asr_model.encoder.set_default_att_context_size([70,13]) 

# 可選：更改默認解碼器。默認解碼器為Transducer (RNNT)。支持的解碼器：{ctc, rnnt}。
asr_model.change_decoding_strategy(decoder_type='rnnt')

output = asr_model.transcribe(['2086-149220-0033.wav'])
print(output[0].text)

高級用法

轉錄多個音頻文件

使用Transducer模式進行推理：

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

使用CTC模式進行推理：

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py \
  pretrained_name="stt_en_fastconformer_hybrid_large_streaming_multi" \
  audio_dir="<DIRECTORY CONTAINING AUDIO FILES>" \
  decoder_type="ctc"

要在不同的前瞻設置之間切換，你可以在 transcribe_speech.py 腳本中設置 att_context_size，如下所示：

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py \
  pretrained_name="stt_en_fastconformer_hybrid_large_streaming_multi" \
  audio_dir="<DIRECTORY CONTAINING AUDIO FILES>" \
  att_context_size=[70,0]

att_context_size 支持的值為：{[70,0]: 0毫秒, [70,1]: 80毫秒, [70,16]: 480毫秒, [70,33]: 1040毫秒}。

📚 詳細文檔

模型架構

這些模型是Hybrid FastConfomer的緩存感知版本，專為流式ASR訓練。你可以在 緩存感知流式Conformer [5] 中找到有關緩存感知模型的更多信息。

這些模型使用多前瞻進行訓練，使其能夠支持不同的延遲。要了解如何在不同的前瞻設置之間切換，你可以閱讀有關緩存感知模型的文檔。

FastConformer [4] 是Conformer模型 [1] 的優化版本，你可以在 Fast-Conformer模型 中找到有關FastConformer詳細信息。

該模型在多任務設置中使用聯合Transducer和CTC解碼器損失進行訓練 [5]。你可以在 混合Transducer-CTC 中找到有關混合Transducer-CTC訓練的更多信息。你也可以在文檔中找到有關如何在Transducer和CTC解碼器之間切換的更多內容。

訓練數據

本集合中的所有模型均在一個複合數據集（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
• 新加坡國家語料庫（第1部分、第6部分）
• VCTK
• VoxPopuli（英語）
• Europarl-ASR（英語）
• 多語言Librispeech（MLS EN） - 2000小時子集
• Mozilla Common Voice（v7.0）
• People's Speech - 12000小時子集

注意：較舊版本的模型可能在較小的數據集上進行訓練。

性能表現

本集合中可用模型的列表在以下表格中展示，分別列出了Transducer解碼器和CTC解碼器的性能。自動語音識別模型的性能以單詞錯誤率（WER%）表示，採用貪心解碼。

Transducer解碼器

CTC解碼器

輸入輸出

• 輸入：本模型接受16000 KHz單聲道音頻（wav文件）作為輸入。
• 輸出：對於給定的音頻樣本，本模型以字符串形式提供轉錄後的語音。

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。對於帶有口音的語音，模型的表現可能也會較差。

NVIDIA Riva部署

NVIDIA Riva 是一個加速語音AI SDK，可部署在本地、所有云、多雲、混合雲、邊緣和嵌入式設備上。此外，Riva還提供以下功能：

• 針對最常見語言，使用在專有數據上訓練的模型檢查點，經過數十萬小時的GPU計算，實現世界級的開箱即用準確率。
• 通過運行時單詞增強（例如品牌和產品名稱）以及對聲學模型、語言模型和逆文本歸一化的定製，實現一流的準確率。
• 支持流式語音識別、Kubernetes兼容的擴展和企業級支持。

雖然此模型目前尚未得到Riva的支持，但 支持的模型列表在此處。你可以查看 Riva即時演示。

🔧 技術細節

這些模型是基於緩存感知的FastConformer-Hybrid架構，使用多前瞻技術進行訓練，以支持不同的延遲。模型在大規模英語語音數據集上進行訓練，採用聯合Transducer和CTC解碼器損失的多任務訓練方法。具體的技術細節和評估結果可以參考 Stateful Conformer with Cache-based Inference for Streaming Automatic Speech Recognition [5]。

📄 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 [4] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [5] Stateful Conformer with Cache-based Inference for Streaming Automatic Speech Recognition