Stt En Fastconformer Ctc Large

🚀 NVIDIA FastConformer-CTC Large (en)

該模型可將語音轉錄為小寫英文字母，是FastConformer CTC的“大型”版本（約1.15億個參數），能高效處理英文語音轉錄任務。

🚀 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

• 可將語音轉錄為小寫英文字母。
• 是FastConformer CTC的“大型”版本，約有1.15億個參數。
• 採用多任務訓練設置，使用Transducer解碼器損失進行訓練。
• 基於優化的FastConformer架構，具有8倍深度可分離卷積下采樣。

📦 安裝指南

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

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/stt_en_fastconformer_ctc_large")

高級用法

轉錄單個音頻文件

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_ctc_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 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提供轉錄後的語音字符串。

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 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

此集合中的模型在包含數千小時英語語音的複合數據集（NeMo ASRSet En）上進行訓練：

• Librispeech：960小時的英語語音
• Fisher Corpus
• Switchboard-1 Dataset
• WSJ-0和WSJ-1
• National Speech Corpus (Part 1, Part 6)
• VCTK
• VoxPopuli (EN)
• Europarl-ASR (EN)
• Multilingual 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，因此在一般情況下，它在轉錄音頻方面通常表現更好。

以下表格總結了此集合中可用模型使用Transducer解碼器的性能。ASR模型的性能以詞錯誤率（WER%）的形式報告，使用貪心解碼。

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。該模型對於帶有口音的語音可能表現也較差。

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，模型檢查點在專有數據上進行訓練，使用了數十萬小時的GPU計算時間。
• 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的定製功能，實現一流的準確性。
• 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。

🔧 技術細節

FastConformer是Conformer模型的優化版本，通過8倍深度可分離卷積下采樣，提升了模型的效率和性能。在多任務訓練設置中，使用Transducer解碼器損失進一步優化了模型的轉錄能力。訓練過程使用NeMo工具包，結合特定的示例腳本和基礎配置，在多個公開數據集上進行了數百個epoch的訓練，以確保模型在不同場景下的泛化能力。

📄 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。

參考文獻

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