Stt Ru Fastconformer Hybrid Large Pc

🚀 NVIDIA FastConformer-Hybrid Large (ru)

本項目是一個用於俄語自動語音識別的模型，基於FastConformer架構，結合了Transducer和CTC損失進行訓練，在多個俄語語音數據集上表現出色。

🚀 快速開始

若要訓練、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之後再安裝它。

pip install nemo_toolkit['all']

✨ 主要特性

• 能夠轉錄包含大小寫俄語字母、空格、句號、逗號和問號的語音。
• 採用FastConformer Transducer - CTC架構的“大型”版本，約有1.15億個參數。
• 結合了Transducer和CTC兩種損失進行多任務訓練。

📦 安裝指南

安裝 NVIDIA NeMo，使用以下命令：

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.EncDecHybridRNNTCTCBPEModel.from_pretrained(model_name="nvidia/stt_ru_fastconformer_hybrid_large_pc")

高級用法

用Python轉錄語音

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

使用Transducer模式推理：

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

使用CTC模式推理：

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

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進行訓練，結合了聯合Transducer和CTC解碼器損失。你可以在以下鏈接找到更多關於FastConformer的詳細信息：Fast - Conformer Model 以及關於混合Transducer - CTC訓練的信息：Hybrid Transducer - CTC。

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

本集合中的所有模型都在一個複合數據集（NeMo PnC ASRSET）上進行訓練，該數據集包含1840小時的俄語語音：

• Golos (1200小時)
• Sova (310小時)
• Dusha (200小時)
• RULS (92.5小時)
• MCV12 (36.7小時)

性能

自動語音識別模型的性能通過單詞錯誤率（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，因此在一般音頻轉錄方面通常表現更好。

以下表格總結了本集合中可用模型在使用Transducer解碼器時的性能。ASR模型的性能以貪婪解碼的單詞錯誤率（WER%）報告。

a) 在無標點和大寫的數據上使用Transducer解碼器

b) 在有標點和大寫的數據上使用Transducer解碼器

侷限性

由於該模型在公開可用的語音數據集上進行訓練，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，模型的性能也可能較差。該模型僅輸出標點符號 '.', ',', '?' ，因此在需要其他標點符號的場景中可能表現不佳。

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性，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。 查看 Riva即時演示。

引用

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Google Sentencepiece Tokenizer [3] NVIDIA NeMo Toolkit

📄 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開和發佈版本，即表示你接受 CC - BY - 4.0 許可協議的條款和條件。

信息表格