Stt Fr Conformer Ctc Large

🚀 NVIDIA Conformer-CTC Large (fr)

NVIDIA Conformer-CTC Large (fr) 模型基于超过1500小时的法语语音数据进行训练，是 Conformer 的非自回归“大型”变体，拥有约1.2亿个参数，可用于自动语音识别任务，还能与 NVIDIA Riva 兼容以进行生产级服务器部署。

🚀 快速开始

此模型可在 NeMo 工具包中使用，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 之后进行安装。

pip install nemo_toolkit['all']

自动实例化模型

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

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

✨ 主要特性

• 数据丰富：在包含超过1500小时法语语音的复合数据集上训练。
• 模型规模大：Conformer 的非自回归“大型”变体，约1.2亿个参数。
• 兼容性强：与 NVIDIA Riva 兼容，可用于生产级服务器部署。

📦 安装指南

要使用该模型，需安装 NVIDIA NeMo，建议在安装最新版本的 PyTorch 之后进行安装：

pip install nemo_toolkit['all']

💻 使用示例

基础用法

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

高级用法

转录单个音频文件

import nemo.collections.asr as nemo_asr
import os

# 下载示例音频文件
os.system("wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav")

# 加载模型
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained("nvidia/stt_fr_conformer_ctc_large")

# 转录音频
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_ctc_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 详细文档

模型架构

Conformer-CTC 模型是用于自动语音识别的 Conformer 模型的非自回归变体，它使用 CTC 损失/解码而不是 Transducer。更多详细架构信息请参考：Conformer-CTC Model。

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 此脚本 和 此基础配置 进行训练。

这些模型的分词器使用训练集的文本转录通过 此脚本 构建。

用于重评分的语言模型的检查点可在 此处 找到。更多关于如何为 ASR 模型训练和使用语言模型的信息请参考：ASR Language Modeling

数据集

本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，但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，因此在一般音频转录方面通常表现更好。

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 - 8.35 %
• MCV7.0 测试集 - 9.63 %
• MLS 开发集 - 5.88 %
• MLS 测试集 - 4.91 %

使用 128 束搜索和 4gram KenLM 模型时：

• MCV7.0 开发集 - 7.95 %
• MCV7.0 测试集 - 9.16 %
• MLS 开发集 - 5.57 %
• MLS 测试集 - 4.66 %

请注意，这些评估数据集已进行过滤和预处理，仅包含法文字母字符，并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训练的，对于包含技术术语或模型未训练过的方言的语音，其性能可能会下降。对于带有口音的语音，模型的性能也可能较差。

此外，由于训练集的部分内容包含 1990 年前后的正字法改革文本，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。

与 NVIDIA Riva 部署

为了获得最佳的实时准确性、低延迟和高吞吐量，可使用 NVIDIA Riva 部署该模型，它是一个可在本地、所有云、多云、混合云、边缘和嵌入式设备上部署的加速语音 AI SDK。

此外，Riva 还提供以下功能：

• 针对最常见语言的开箱即用的世界级准确性，其模型检查点在专有数据上进行了数十万 GPU 计算小时的训练。
• 具有运行时单词增强（例如品牌和产品名称）以及声学模型、语言模型和逆文本规范化定制功能的一流准确性。
• 流式语音识别、Kubernetes 兼容的扩展以及企业级支持。

查看 Riva 实时演示。

🔧 技术细节

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。

📄 许可证

本模型采用 CC BY 4.0 许可证。

参考文献

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