Stt Zh Conformer Transducer Large

🚀 NVIDIA Conformer-Transducer Large (zh-ZH)

本模型用於將普通話語音轉錄為文字。它是 Conformer-Transducer 的大型版本（約 1.2 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

本模型可在 NeMo 工具包中使用，可作為預訓練檢查點進行推理或在其他數據集上進行微調。

✨ 主要特性

• 能夠將普通話語音轉錄為文字。
• 是 Conformer-Transducer 的大型版本，約 1.2 億個參數。

📦 安裝指南

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 後再安裝它。

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.EncDecRNNTModel.from_pretrained("nvidia/stt_zh_conformer_transducer_large")

高級用法

轉錄單個音頻文件

你可以像這樣轉錄一個音頻文件：

output = asr_model.transcribe(['sample.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_zh_conformer_transducer_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

輸入

該模型接受 16000 KHz 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

Conformer-Transducer 模型是用於自動語音識別的 Conformer 模型 [1] 的自迴歸變體，它使用 Transducer 損失/解碼而不是 CTC 損失。你可以在Conformer-Transducer 模型中找到該模型的更多詳細信息。

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。

數據集

此集合中的所有模型均在包含普通話語音的 AISHELL2 [4] 上進行訓練。

性能

此集合中可用模型的列表如下表所示。ASR 模型的性能以貪心解碼的詞錯誤率（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性，其模型檢查點在專有數據上進行了數十萬 GPU 計算小時的訓練。
• 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。

儘管 Riva 目前尚不支持此模型，但支持的模型列表在此。查看 Riva 即時演示。

🔧 技術細節

本模型的技術細節可參考以下論文：

• Conformer: Convolution-augmented Transformer for Speech Recognition
• Google Sentencepiece Tokenizer
• NVIDIA NeMo Toolkit
• AISHELL-2: Transforming Mandarin ASR Research Into Industrial Scale

📄 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版本，即表示你接受 CC-BY-4.0 許可協議的條款和條件。