Parakeet Tdt Ctc 1.1b

🚀 鹦鹉螺TDT - CTC 1.1B PnC（英语）

parakeet - tdt_ctc - 1.1b 是一个自动语音识别（ASR）模型，可对英文语音进行转录，并添加标点和大小写。该模型由 NVIDIA NeMo 和 Suno.ai 团队联合开发。它是混合FastConformer [1] TDT - CTC [2] 模型的XXL版本（约11亿参数）。该模型采用局部注意力和全局令牌进行训练，因此可以一次转录长达11小时的音频。参考数据显示，在A100上，该模型可以在不到16秒的时间内转录90分钟的音频。有关完整的架构细节，请参阅模型架构部分和[NeMo文档](https://docs.nvidia.com/deeplearning/nemo/user-guide/docs/en/main/asr/models.html#fast - conformer)。

🚀 快速开始

安装NVIDIA NeMo

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之后再安装NeMo。

pip install nemo_toolkit['all']

如何使用此模型

该模型可在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。

自动实例化模型

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt_ctc-1.1b")

使用Python进行转录

首先，获取一个示例音频文件：

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

默认情况下，模型使用TDT对音频文件进行转录。若要切换解码器使用CTC，请使用 decoding_type='ctc'。

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-tdt_ctc-1.1b" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

输入

该模型接受16000 Hz的单声道音频（wav文件）作为输入。

输出

该模型会为给定的音频样本输出转录后的语音字符串。

✨ 主要特性

• 强大的转录能力：能够一次转录长达11小时的音频，在A100上，90分钟音频的转录时间不到16秒。
• 混合架构：采用Hybrid FastConformer - TDT - CTC架构，结合了FastConformer和TDT - CTC的优势。
• 多领域适应：在多个领域的数据集上进行训练，能更好地适应不同场景的音频转录。

📦 安装指南

要训练、微调或使用该模型，需安装 NVIDIA NeMo。建议在安装最新版本的PyTorch之后再安装NeMo。

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.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt_ctc-1.1b")

高级用法

# 转录多个音频文件
import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt_ctc-1.1b")
output = asr_model.transcribe(['audio_file_1.wav', 'audio_file_2.wav'])
for result in output:
    print(result.text)

📚 详细文档

模型架构

该模型采用Hybrid FastConformer - TDT - CTC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。有关FastConformer的详细信息，请参阅 [Fast - Conformer Model](https://docs.nvidia.com/deeplearning/nemo/user-guide/docs/en/main/asr/models.html#fast - conformer)。

训练

使用NeMo工具包 [3] 在 parakeet - tdt - 1.1 模型的基础上对该模型进行了20,000步的微调。该模型使用 此示例脚本 和 此基础配置 进行训练。

这些模型的分词器使用训练集的文本转录，通过 此脚本 构建。

数据集

该模型在由NVIDIA NeMo和Suno团队收集和准备的36,000小时英语语音上进行训练。训练数据集包括一个27,000小时英语语音的私有子集，以及来自以下公共PnC数据集的9,000小时数据：

• Librispeech：960小时的英语语音
• Fisher Corpus
• National Speech Corpus Part 1
• VCTK
• VoxPopuli (EN)
• Europarl - ASR (EN)
• Multilingual Librispeech (MLS EN) - 2,000小时子集
• Mozilla Common Voice (v7.0)

性能

自动语音识别模型的性能通过词错误率（Word Error Rate，WER）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，因此在一般音频转录方面通常表现更好。

以下表格总结了该集合中可用模型在使用Transducer解码器时的性能。ASR模型的性能以贪婪解码的词错误率（WER%）报告。

这些是没有外部语言模型的贪婪WER数值。有关评估的更多详细信息，请参阅 [HuggingFace ASR Leaderboard](https://huggingface.co/spaces/hf - audio/open_asr_leaderboard)。

模型公平性评估

正如论文 “Towards Measuring Fairness in AI: the Casual Conversations Dataset” 中所述，我们对 parakeet - tdt_ctc - 1.1b 模型进行了公平性评估。该模型在CausalConversations - v1数据集上进行评估，结果如下：

性别偏差

年龄偏差

（公平性评估的错误率通过对参考文本和预测文本进行归一化来确定，与 https://github.com/huggingface/open_asr_leaderboard 中的评估方法类似。）

NVIDIA Riva：部署

NVIDIA Riva 是一个加速语音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：

• 针对最常用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。
• 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性。
• 流式语音识别、Kubernetes兼容的扩展和企业级支持。

虽然Riva目前不支持此模型，但 支持的模型列表在此。请查看 Riva实时演示。

🔧 技术细节

该模型是混合FastConformer [1] TDT - CTC [2] 模型的XXL版本（约11亿参数）。采用局部注意力和全局令牌进行训练，使用FastConformer架构，具有8倍深度可分离卷积下采样。训练使用NeMo工具包 [3]，在 parakeet - tdt - 1.1 模型基础上进行20,000步微调，使用特定的示例脚本和基础配置，分词器通过特定脚本构建。

📄 许可证

使用此模型的许可受 CC - BY - 4.0 许可证的约束。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。

参考文献

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Efficient Sequence Transduction by Jointly Predicting Tokens and Durations [3] Google Sentencepiece Tokenizer [4] NVIDIA NeMo Toolkit [5] Suno.ai [6] [HuggingFace ASR Leaderboard](https://huggingface.co/spaces/hf - audio/open_asr_leaderboard) [7] Towards Measuring Fairness in AI: the Casual Conversations Dataset