Stt Uz Fastconformer Hybrid Large Pc

🚀 NVIDIA FastConformer-Hybrid Large (uz)

本模型可将乌兹别克语语音转录为包含大小写字母、空格、逗号、问号和破折号的文本。它是FastConformer Transducer - CTC的“大型”版本（约1.15亿个参数），这是一个基于两种损失函数（Transducer（默认）和CTC）训练的混合模型。欲了解完整的模型架构细节，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']

✨ 主要特性

• 能够处理乌兹别克语语音，输出包含大小写、空格、逗号、问号和破折号的文本。
• 采用FastConformer Transducer - CTC混合架构，约1.15亿个参数。
• 基于两种损失函数（Transducer和CTC）进行训练。

📦 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']

💻 使用示例

基础用法

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecHybridRNNTCTCBPEModel.from_pretrained(model_name="nvidia/stt_uz_fastconformer_hybrid_large_pc")

高级用法

单音频文件转录

output = asr_model.transcribe(['audio_file.wav'])
print(output[0].text)

多音频文件转录

使用Transducer模式推理：

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

使用CTC模式推理：

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

输入

该模型接受16000 Hz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

FastConformer [1] 是Conformer模型的优化版本，具有8倍深度可分离卷积下采样。该模型在多任务设置中使用Transducer解码器损失进行训练。你可以在Fast - Conformer模型中找到有关FastConformer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，通过脚本构建的。

数据集

该模型在三个复合数据集上进行训练，包含1000小时的乌兹别克语语音：

• MCV 17.0乌兹别克语（约90小时）
• UzbekVoice（约900小时）
• Fleurs乌兹别克语（约10小时）

性能

自动语音识别模型的性能通过词错误率（Word Error Rate）来衡量。由于该数据集在多个领域和更大的语料库上进行训练，因此在一般的音频转录中通常表现更好。

以下表格总结了使用Transducer解码器的模型性能。自动语音识别模型的性能以词错误率（WER%）和贪心解码的方式报告。

局限性

该模型是非流式的，输出的语音字符串没有大小写和标点。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。

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的一流准确性。
• 流式语音识别、Kubernetes兼容的扩展和企业级支持。

尽管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

FastConformer是Conformer模型的优化版本，通过8倍深度可分离卷积下采样提升性能。模型在多任务设置下使用Transducer解码器损失训练。训练使用NeMo工具包，历经数百个epoch，借助特定示例脚本和基础配置文件。分词器基于训练集文本转录构建。

📄 许可证

使用此模型的许可受 CC - BY - 4.0 许可证的约束。通过下载该模型的公开版本，即表示你接受 CC - BY - 4.0 许可证的条款和条件。

参考文献

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition

[2] Google Sentencepiece Tokenizer

[3] NVIDIA NeMo Toolkit