Stt Es Conformer Transducer Large

🚀 NVIDIA Conformer-Transducer Large (es)

本模型可將西班牙語語音轉錄為小寫字母形式，包含空格。它在由1340小時西班牙語語音組成的複合數據集上進行訓練，是Conformer - Transducer的“大型”變體，約有1.2億個參數。查看模型架構部分和NeMo文檔可瞭解完整的架構細節。

| | |

🚀 快速開始

本模型可用於語音轉錄，若要對其進行訓練、微調或使用，你需要安裝 NVIDIA NeMo。我們建議你在安裝最新版本的Pytorch之後再安裝它。

✨ 主要特性

• 可將西班牙語語音轉錄為小寫字母形式，包含空格。
• 基於Conformer - Transducer架構，約有1.2億個參數。
• 在由1340小時西班牙語語音組成的複合數據集上進行訓練。

📦 安裝指南

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.EncDecRNNTBPEModel.from_pretrained("nvidia/stt_es_conformer_transducer_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_es_conformer_transducer_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 詳細文檔

輸入

本模型接受16000 Hz單聲道音頻（wav文件）作為輸入。

輸出

本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

Conformer - Transducer模型是用於自動語音識別的Conformer模型的自迴歸變體，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

本集合中的所有模型都在由1340小時西班牙語語音組成的複合數據集（NeMo ASRSET）上進行訓練：

• Mozilla Common Voice 7.0（西班牙語） - 數據清理後為289小時
• Multilingual LibriSpeech（西班牙語） - 數據清理後為801小時
• Voxpopuli轉錄子集（西班牙語） - 數據清理後為110小時
• Fisher數據集（西班牙語） - 數據清理後為140小時

性能

本集合中可用模型的列表如下表所示。自動語音識別（ASR）模型的性能以單詞錯誤率（WER%）報告，採用貪心解碼。

侷限性

由於該模型是在公開可用的語音數據集上訓練的，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，模型的表現可能也會更差。

NVIDIA Riva部署

NVIDIA Riva 是一個加速語音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、語言模型和逆文本規範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。

儘管此模型目前尚未得到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

Conformer - Transducer模型結合了Conformer架構和Transducer損失/解碼機制，Conformer架構通過卷積增強Transformer，以更好地處理語音信號的局部和全局特徵。在訓練過程中，使用了大量的西班牙語語音數據，經過數據清理和預處理後，用於訓練模型的參數。分詞器採用SentencePiece Unigram，詞彙表大小為1024。

📄 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。

參考文獻

• [1] Conformer: Convolution - augmented Transformer for Speech Recognition
• [2] Google Sentencepiece Tokenizer
• [3] NVIDIA NeMo Toolkit