Stt En Citrinet 1024 Gamma 0 25

🚀 NVIDIA Streaming Citrinet 1024 (en-US)

本模型用于将语音转录为包含空格和撇号的小写英文字符，它在数千小时的英语语音数据上进行了训练。该模型是Streaming Citrinet的非自回归“大型”变体，拥有约1.4亿个参数。完整的架构细节请参考模型架构部分和NeMo文档。此外，它还与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

• 可将语音转录为小写英文，包含空格和撇号。
• 基于Streaming Citrinet的非自回归“大型”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

要使用该模型，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']

💻 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_en_citrinet_1024_gamma_0_25")

高级用法

转录单个音频文件

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)

转录多个音频文件

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_en_citrinet_1024_gamma_0_25" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

输入

本模型接受16000 kHz单声道音频（wav文件）作为输入。

输出

本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

Streaming Citrinet-1024模型是用于自动语音识别的Citrinet模型[1]的非自回归、流式变体，它使用CTC损失/解码而不是Transducer。你可以在Citrinet Model中找到关于此模型的更多信息。

训练

使用NeMo工具包[3]对模型进行了数百个epoch的训练。该模型使用此示例脚本和此基础配置进行训练。

此模型的分词器使用训练集的文本转录，通过此脚本构建。

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，该数据集包含数千小时的英语语音：

• Librispeech 960小时英语语音
• Fisher语料库
• Switchboard-1数据集
• WSJ-0和WSJ-1
• 新加坡国家语料库（第1部分，第6部分）

注意：较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模型的性能以单词错误率（WER%）和贪心解码的方式报告。

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，以进一步提高WER。最新模型在不同语言建模技术下的WER(%)如下表所示。

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。该模型对于带有口音的语音也可能表现较差。

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：

• 针对最常见语言的世界级开箱即用准确性，模型检查点在专有数据上进行训练，使用了数十万小时的GPU计算资源。
• 一流的准确性，支持运行时单词增强（例如品牌和产品名称），并可自定义声学模型、语言模型和逆文本归一化。
• 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。

🔧 技术细节

本模型是Streaming Citrinet的非自回归“大型”变体，使用CTC损失/解码进行自动语音识别。训练使用了NeMo工具包，在复合数据集NeMo ASRSET上进行了数百个epoch的训练。

📄 许可证

本模型使用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