Stt De Conformer Transducer Large

🚀 NVIDIA Conformer-Transducer Large (de)

该模型是用于德语自动语音识别的大型模型，基于Conformer-Transducer架构，在多个德语语音数据集上进行训练，能以较低的词错误率完成语音转录任务。

🚀 快速开始

本模型可用于德语语音的自动识别任务，以下是使用该模型的基本步骤和示例代码。

✨ 主要特性

• 架构先进：采用Conformer-Transducer架构，结合了卷积和Transformer的优势，适用于自动语音识别任务。
• 多数据集训练：在多个德语语音数据集上进行训练，包括VoxPopuli、Multilingual Librispeech和Mozilla Common Voice等，提升了模型的泛化能力。
• 低词错误率：在多个测试集上取得了较低的词错误率（WER），如在common-voice-7-0测试集上WER为4.93，在Multilingual LibriSpeech测试集上WER为3.85。

📦 安装指南

要训练、微调或使用该模型，需要安装NVIDIA NeMo库。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

自动实例化模型

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

高级用法

单音频文件转录

首先，获取一个音频样本

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)

多音频文件转录

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

输入输出说明

• 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。

📚 详细文档

模型架构

Conformer-Transducer模型是Conformer模型的自回归变体，用于自动语音识别，使用Transducer损失/解码而不是CTC损失。更多详细信息可参考：Conformer-Transducer Model。

训练过程

使用NeMo工具包进行了数百个epoch的训练。模型使用示例脚本和基础配置进行训练。

数据集

该模型在一个复合数据集（NeMo ASRSET）上进行训练，该数据集包含数千小时的德语语音：

• VoxPopuli (DE) 200小时子集
• Multilingual Librispeech (MLS DE) - 1500小时子集
• Mozilla Common Voice (v7.0)

性能表现

该模型集合中可用模型的性能以词错误率（WER%）报告，采用贪心解码。

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方言的语音，模型性能可能会下降。此外，对于带有口音的语音，模型性能也可能较差。

NVIDIA Riva部署

NVIDIA Riva是一个加速的语音AI SDK，可部署在本地、所有云、多云、混合云、边缘和嵌入式设备上。此外，Riva提供：

• 针对最常见语言的世界级开箱即用准确率，使用专有数据进行训练的模型检查点，经过数十万小时的GPU计算。
• 一流的准确率，支持运行时单词增强（如品牌和产品名称），以及声学模型、语言模型和逆文本归一化的定制。
• 流式语音识别、Kubernetes兼容的扩展和企业级支持。

虽然该模型目前尚未得到Riva的支持，但支持的模型列表在此。查看Riva实时演示。

🔧 技术细节

模型的技术细节可参考以下论文和文档：

• Conformer: Convolution-augmented Transformer for Speech Recognition
• Google Sentencepiece Tokenizer
• NVIDIA NeMo Toolkit

📄 许可证

使用该模型的许可证为CC-BY-4.0。下载该模型的公开版本即表示您接受CC-BY-4.0许可证的条款和条件。