Stt En Conformer Ctc Large

🚀 NVIDIA Conformer-CTC Large (en-US)

本模型可将语音转录为包含空格和撇号的小写英文字母，它在数千小时的英语语音数据上进行了训练。它是Conformer的非自回归“大型”变体，约有1.2亿个参数。查看模型架构部分和NeMo文档，可了解完整的架构细节。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后再安装它。

pip install nemo_toolkit['all']

✨ 主要特性

• 可将语音转录为包含空格和撇号的小写英文字母。
• 基于Conformer的非自回归“大型”变体，约有1.2亿个参数。
• 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.EncDecCTCModelBPE.from_pretrained("nvidia/stt_en_conformer_ctc_large")

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

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-CTC模型是用于自动语音识别的Conformer模型[1]的非自回归变体，它使用CTC损失/解码而不是Transducer。你可以在Conformer-CTC模型中找到该模型的更多详细信息。

训练

NeMo工具包[3]用于对模型进行数百个epoch的训练。这些模型使用示例脚本和基础配置进行训练。

这些模型的分词器使用训练集的文本转录，通过脚本构建。

用作神经重评分器的语言模型的检查点可在此处找到。你可以在ASR语言建模中找到有关如何为ASR模型训练和使用语言模型的更多信息。

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（v7.0）

注意：旧版本的模型可能在较小的数据集上进行训练。

性能

本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%）报告，采用贪心解码。

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。下表报告了最新模型在不同语言建模技术下的WER(%)。

局限性

由于该模型在公开可用的语音数据集上进行训练，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，模型的表现也可能较差。

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，请使用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，其模型检查点在专有数据上进行训练，经过数十万小时的GPU计算。
• 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、语言模型和反向文本归一化。
• 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

该模型是Conformer的非自回归“大型”变体，约有1.2亿个参数。它使用CTC损失/解码进行训练，可将语音转录为包含空格和撇号的小写英文字母。训练数据包含多个英语语音数据集，总时长数千小时。

📄 许可证

本模型使用的许可证为CC BY 4.0。

参考文献

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