Stt En Conformer Transducer Xlarge

🚀 NVIDIA Conformer-Transducer X-Large (en-US)

该模型可将语音转录为小写英文文本，支持空格和撇号。它是Conformer - Transducer的“超大”版本模型（约6亿参数）。如需了解完整的架构细节，请参阅模型架构部分和NeMo文档。

🚀 快速开始

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']

(如果出现错误): 
pip install nemo_toolkit[all]

✨ 主要特性

• 可将语音转录为小写英文文本，支持空格和撇号。
• 属于Conformer - Transducer的“超大”版本模型，约6亿参数。

📦 安装指南

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']

(如果出现错误): 
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_en_conformer_transducer_xlarge")

高级用法

使用Python进行转录

首先，获取一个样本：

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

然后简单执行以下操作：

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_conformer_transducer_xlarge" 
 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。

🔧 技术细节

模型架构

Conformer - Transducer模型是用于自动语音识别的Conformer模型[1]的自回归变体，它使用Transducer损失/解码而不是CTC损失。你可以在Conformer - Transducer模型中找到关于该模型细节的更多信息。

训练

使用NeMo工具包[3]对模型进行了数百个epoch的训练。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：

• Librispeech：960小时的英语语音
• Fisher语料库
• Switchboard - 1数据集
• WSJ - 0和WSJ - 1
• 国家语音语料库（第1部分、第6部分）
• VCTK
• VoxPopuli（英语）
• Europarl - ASR（英语）
• 多语言Librispeech（MLS英语） - 2000小时子集
• Mozilla Common Voice（v8.0）
• People's Speech - 12000小时子集

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模型的性能以单词错误率（WER%）和贪心解码的方式报告。

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更差。

NVIDIA Riva：部署

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率，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、语言模型和逆文本归一化定制功能的一流准确率。
• 流式语音识别、Kubernetes兼容扩展和企业级支持。

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。你可以查看 Riva实时演示。

参考资料

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

📄 许可证

使用此模型的许可受CC - BY - 4.0许可协议的约束。通过下载该模型的公开和发布版本，即表示你接受CC - BY - 4.0许可协议的条款和条件。