Stt Fr Fastconformer Hybrid Large Pc

🚀 NVIDIA FastConformer-Hybrid Large (fr)

本模型可將法語語音轉錄為包含大小寫字母、空格、句號、逗號和問號的文本。它是FastConformer Transducer - CTC的“大型”版本（約1.15億個參數），是一個基於兩種損失（Transducer（默認）和CTC）訓練的混合模型。

🚀 快速開始

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

• 可轉錄法語語音，輸出包含大小寫字母及常見標點。
• 基於FastConformer Transducer - CTC架構，約1.15億個參數。
• 混合模型，結合Transducer和CTC兩種損失進行訓練。

📦 安裝指南

要使用該模型，需安裝 NVIDIA NeMo，建議在安裝最新版本的Pytorch後執行以下命令：

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_fr_fastconformer_hybrid_large_pc")

高級用法

轉錄單個音頻文件

首先，獲取一個音頻樣本：

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_fr_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_fr_fastconformer_hybrid_large_pc" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"
 decoder_type="ctc"

📚 詳細文檔

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輸出轉錄後的文本字符串。

🔧 技術細節

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聯合Transducer和CTC解碼器損失進行訓練。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 此示例腳本 和 此基礎配置 進行訓練。

這些模型的分詞器使用訓練集的文本轉錄，通過 此腳本 構建。

數據集

本集合中的所有模型都在一個包含1800小時法語語音的複合數據集（NeMo PnC ASRSET）上進行訓練：

• MCV12（710小時）
• MLS（925小時）
• Voxpopuli（165小時）

性能

自動語音識別模型的性能使用單詞錯誤率（WER）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模型的性能以單詞錯誤率（WER%）的形式報告，採用貪心解碼。

a) 無標點和大寫數據上使用Transducer解碼器

b) 有標點和大寫數據上使用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，模型的表現也可能較差。此外，該模型僅輸出 '.', ',', '?' 這些標點，因此在需要其他標點的場景中可能表現不佳。

NVIDIA Riva部署

NVIDIA Riva 是一個可在本地、所有云、多雲、混合雲、邊緣和嵌入式設備上部署的加速語音AI SDK。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。
• 一流的準確率，支持運行時單詞增強（例如品牌和產品名稱），並可自定義聲學模型、語言模型和逆文本歸一化。
• 流式語音識別、Kubernetes兼容的擴展和企業級支持。

雖然該模型目前不受Riva支持，但 支持的模型列表在此。你可以查看 Riva即時演示。

📄 許可證

使用此模型的許可受 CC - BY - 4.0 協議的約束。通過下載該模型的公開版本，即表示你接受 CC - BY - 4.0 許可的條款和條件。

🔗 參考資料

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