Stt En Fastconformer Transducer Xlarge

🚀 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。

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