Stt Fr Conformer Transducer Large

🚀 NVIDIA Conformer-Transducer Large (fr)

该模型在包含超过1500小时法语语音的复合数据集上进行训练，是Conformer - Transducer的大型版本（约1.2亿个参数），可用于自动语音识别任务。

🚀 快速开始

此模型可用于NeMo工具包，可作为预训练检查点进行推理或在其他数据集上进行微调。要训练、微调或使用该模型，你需要安装 NVIDIA NeMo。建议在安装最新版本的PyTorch之后再安装它。

pip install nemo_toolkit['all']

✨ 主要特性

• 基于复合数据集训练，包含超过1500小时的法语语音。
• 是Conformer - Transducer的大型版本，约1.2亿个参数。
• 可用于自动语音识别任务，在多个评估数据集上有较好的表现。

📦 安装指南

要使用此模型，需要安装 NVIDIA NeMo。建议在安装最新版本的PyTorch之后再安装它，使用以下命令进行安装：

pip install nemo_toolkit['all']

💻 使用示例

基础用法

自动实例化模型：

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecRNNTBPEModel.from_pretrained("nvidia/stt_fr_conformer_transducer_large")

高级用法

使用Python进行转录

首先，获取一个示例音频文件：

wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav

然后进行转录：

output = asr_model.transcribe(['2086-149220-0033.wav'])
print(output[0].text)

转录多个音频文件

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_fr_conformer_transducer_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 详细文档

输入

该模型接受16000 kHz单声道音频（wav文件）作为输入。

输出

该模型为给定的音频样本提供转录后的语音字符串。

模型架构

Conformer - Transducer模型是Conformer模型 [1] 用于自动语音识别的自回归变体，它使用Transducer损失/解码而不是CTC损失。完整的架构细节请参阅 模型架构 部分和 NeMo文档。

训练

使用NeMo工具包 [3] 对模型进行了数百个epoch的训练。这些模型使用 示例脚本 和 基础配置 进行训练。这些模型的Sentence - piece分词器 [2] 使用训练集的文本转录通过 脚本 构建。

数据集

此集合中的所有模型都在一个复合数据集（NeMo ASRSET）上进行训练，该数据集包含超过一千小时的法语语音：

• MozillaCommonVoice 7.0 - 356小时
• Multilingual LibriSpeech - 1036小时
• VoxPopuli - 182小时

两个模型使用相同的数据集，不过在第二个模型的训练中，有一个去除数据中连字符的预处理步骤。

性能

自动语音识别模型的性能使用词错误率（WER）来衡量。由于该数据集在多个领域和更大的语料库上进行训练，因此在一般的音频转录中通常会表现得更好。最新模型在以下评估数据集上获得了以下贪心得分：

• MCV7.0开发集：6.85 %
• MCV7.0测试集：7.95 %
• MLS开发集：5.05 %
• MLS测试集：4.10 %

请注意，这些评估数据集已经过过滤和预处理，仅包含法文字母字符，并且去除了连字符和撇号以外的标点符号。

局限性

由于该模型是在公开可用的语音数据集上进行训练的，因此对于包含技术术语或模型未训练过的方言的语音，该模型的性能可能会下降。对于带有口音的语音，模型的表现可能也会更差。此外，由于训练集的部分内容包含1990年前后正字法改革的文本，两种风格之间的标点规则可能会有所不同。对于需要更高一致性的下游任务，可能需要进行微调或下游处理。如果不需要精确的正字法，建议使用第二个模型。

📄 许可证

本项目采用CC - BY - 4.0许可证。

🔗 参考资料

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