🚀 NVIDIA FastConformer-Transducer XLarge (en)
該模型可將語音轉錄為小寫英文字母文本。它是FastConformer Transducer的“超大”版本(約6.18億個參數)。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
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']
✨ 主要特性
- 可將語音轉錄為小寫英文字母文本。
- 是FastConformer Transducer的“超大”版本,約有6.18億個參數。
- 基於多任務設置,使用Transducer解碼器(RNNT)損失進行訓練。
📦 安裝指南
安裝NVIDIA NeMo:
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(model_name="nvidia/stt_en_fastconformer_transducer_xlarge")
高級用法
用Python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/stt_en_fastconformer_transducer_xlarge"
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。
📚 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。這些模型使用此示例腳本和此基礎配置進行訓練。
這些模型的分詞器是使用訓練集的文本轉錄,通過此腳本構建的。
數據集
此集合中的模型在一個複合數據集(NeMo ASRSet En)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 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字錯誤率(WER)來衡量。由於該數據集在多個領域和更大的語料庫上進行訓練,因此它在一般音頻轉錄方面通常表現更好。
下表總結了此集合中使用Transducer解碼器的可用模型的性能。ASR模型的性能以貪婪解碼的字錯誤率(WER%)報告。
版本 |
分詞器 |
詞彙表大小 |
LS test-other |
LS test-clean |
WSJ Eval92 |
WSJ Dev93 |
NSC Part 1 |
MLS Test |
MCV Test 7.0 |
訓練數據集 |
1.18.0 |
SentencePiece Unigram |
1024 |
3.07 |
1.64 |
1.11 |
1.99 |
4.47 |
4.90 |
6.5 |
NeMo ASRSET 3.0 |
侷限性
由於該模型是在公開可用的語音數據集上訓練的,因此對於包含技術術語或模型未訓練過的方言的語音,該模型的性能可能會下降。對於帶有口音的語音,模型的表現可能也會更差。
NVIDIA Riva部署
NVIDIA Riva是一個加速的語音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:
- 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小時的GPU計算訓練。
- 具有運行時單詞增強(例如品牌和產品名稱)以及聲學模型、語言模型和逆文本規範化定製的一流準確率。
- 流式語音識別、Kubernetes兼容的擴展和企業級支持。
雖然此模型目前不受Riva支持,但支持的模型列表在此。 請查看Riva即時演示。
🔧 技術細節
FastConformer是Conformer模型的優化版本,其優化點在於採用了8倍深度可分離卷積下采樣。在訓練時採用多任務設置,並結合Transducer解碼器(RNNT)損失,使得模型在語音識別任務上有更好的表現。訓練過程使用NeMo工具包,通過特定的示例腳本和基礎配置進行了數百個epoch的訓練。分詞器的構建也是基於訓練集的文本轉錄,使用專門的腳本完成。
📄 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。
參考資料
[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition
[2] Google Sentencepiece Tokenizer
[3] NVIDIA NeMo Toolkit