Stt Zh Citrinet 1024 Gamma 0 25

🚀 NVIDIA Streaming Citrinet 1024 (zh)

本模型采用字符编码方案，可将语音转录为Aishell - 2普通话语料库中标准字符集的文本。它是Citrinet的非自回归“大型”变体，约有1.4亿个参数。该模型还与NVIDIA Riva兼容，可用于生产级服务器部署。

| | | | |

🚀 快速开始

本模型可在NeMo工具包[3]中使用，可作为预训练检查点用于推理或在其他数据集上进行微调。

若要训练、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

• 采用字符编码方案，可转录Aishell - 2普通话语料库标准字符集文本。
• 非自回归“大型”Citrinet变体，约1.4亿参数。
• 与NVIDIA Riva兼容，适用于生产级服务器部署。

📦 安装指南

若要训练、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']

💻 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.EncDecCTCModel.from_pretrained("nvidia/stt_zh_citrinet_1024_gamma_0_25")

高级用法

使用Python进行转录

首先，获取一段普通话语音样本。

然后简单执行以下操作：

output = asr_model.transcribe(['sample.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_zh_citrinet_1024_gamma_0_25" 
 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

对于给定的音频样本，该模型将转录后的语音以字符串形式输出。

🔧 技术细节

模型架构

Citrinet模型是一种用于自动语音识别的非自回归模型[1]，它使用CTC损失/解码而不是Transducer。你可以在Citrinet模型中找到有关此模型详细信息。

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。

这些模型的分词器是使用训练集的文本转录，通过此脚本构建的。

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，该数据集包含数千小时的英语语音：

• AIShell 2

注意：旧版本的模型可能在较小的数据集上进行训练。

性能

此集合中可用模型的列表如下表所示。ASR模型的性能以贪心解码的词错误率（WER%）报告。

在使用NVIDIA Riva进行部署时，你可以将此模型与外部语言模型结合使用，以进一步降低WER。下表报告了使用不同语言建模技术的最新模型的WER(%)。

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。该模型对于带口音的语音表现可能也会较差。

使用NVIDIA Riva进行部署

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。NVIDIA Riva是一个加速语音AI SDK，可在本地、所有云、多云、混合云、边缘和嵌入式设备上部署。

此外，Riva还提供：

• 针对最常用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。
• 通过运行时单词增强（例如品牌和产品名称）以及对声学模型、语言模型和逆文本归一化的定制，实现一流的准确性。
• 流式语音识别、Kubernetes兼容的扩展和企业级支持。

查看Riva实时演示。

📄 许可证

本项目采用CC - BY - 4.0许可证。

📖 参考文献

• [1] Citrinet: Closing the Gap between Non-Autoregressive and Autoregressive End-to-End Models for Automatic Speech Recognition
• [2] Google Sentencepiece Tokenizer
• [3] NVIDIA NeMo Toolkit