Stt Kk Ru Fastconformer Hybrid Large

🚀 NVIDIA FastConformer-Hybrid Large (kk-ru)

本模型可將語音轉錄為小寫的哈薩克語和俄語字母文本。它是FastConformer Transducer - CTC模型的“大型”版本（約1.15億個參數），這是一個基於兩種損失函數（Token - and - Duration Transducer（默認）和CTC）訓練的混合模型。完整的架構細節請參閱模型架構部分和NeMo文檔。

🚀 快速開始

要使用、訓練或微調此模型，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

• 可轉錄哈薩克語和俄語語音為小寫文本。
• 採用FastConformer Transducer - CTC混合模型架構，約1.15億個參數。
• 基於Token - and - Duration Transducer和CTC兩種損失函數進行訓練。

📦 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之後再進行安裝。

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_kk_ru_fastconformer_hybrid_large")

使用Python進行轉錄： 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)

高級用法

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_kk_ru_fastconformer_hybrid_large" 
 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_kk_ru_fastconformer_hybrid_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"
 decoder_type="ctc"

📚 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Token - and - Duration Transducer和CTC解碼器損失。有關FastConformer的詳細信息，請參閱Fast - Conformer模型，有關混合Transducer - CTC訓練的信息，請參閱混合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。

這些模型的分詞器是使用訓練集的文本轉錄，通過腳本構建的。

數據集

該模型在兩個複合數據集上進行訓練，其中包含1550小時的哈薩克語語音：

• MCV 17.0哈薩克語（1小時）
• 哈薩克語語音數據集（KSD）（416小時）
• 哈薩克語語音語料庫2（KSC2）（1133小時）

以及約850小時的俄語語音：

• Golos（604小時）
• Sova（122小時）
• Dusha（102小時）
• MCV12（19小時）

性能

自動語音識別模型的性能通過字錯誤率（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，因此在一般語音轉錄方面通常表現更好。

以下表格總結了使用Transducer解碼器時模型的性能。ASR模型的性能以貪心解碼的字錯誤率（WER%）報告。

a) 在哈薩克語數據上

b) 在俄語數據上

侷限性

該模型是非流式的，輸出的語音文本沒有大寫和標點符號。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。

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率，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功能的一流準確率。
• 流式語音識別、Kubernetes兼容的擴展和企業級支持。

雖然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

該模型是FastConformer Transducer - CTC的“大型”版本，約有1.15億個參數。它是一個混合模型，基於Token - and - Duration Transducer（默認）和CTC兩種損失函數進行訓練。FastConformer是Conformer模型的優化版本，具備8倍深度可分離卷積下采樣。

📄 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。

參考資料

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

⚠️ 重要提示

該模型是非流式的，輸出的語音文本沒有大寫和標點符號。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。

💡 使用建議

建議在安裝最新版本的Pytorch之後再安裝NVIDIA NeMo。在轉錄多個音頻文件時，可根據需求選擇Transducer模式或CTC模式進行推理。