Parakeet Rnnt 0.6b

🚀 Parakeet RNNT 0.6B (en)

parakeet-rnnt-0.6b 是一个自动语音识别（ASR）模型，可将语音转录为小写英文字母。该模型由 NVIDIA NeMo 和 Suno.ai 团队联合开发。它是 FastConformer Transducer [1] 的 XL 版本（约 6 亿参数）模型。有关完整的架构细节，请参阅模型架构部分和 NeMo 文档。

🚀 快速开始

安装 NVIDIA NeMo

要训练、微调或使用该模型，你需要安装 NVIDIA NeMo。我们建议你在安装最新版本的 PyTorch 后再安装它。

pip install nemo_toolkit['all']

使用模型

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.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-rnnt-0.6b")

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

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-rnnt-0.6b" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

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字符串。

✨ 主要特性

• 强大的模型架构：基于 FastConformer Transducer，约 6 亿参数，在自动语音识别任务中表现出色。
• 多领域适应性：在多个公共数据集上进行训练，包括 Librispeech、Fisher Corpus 等，能适应不同领域的语音识别需求。
• 易于使用：可通过 NeMo 工具包轻松实例化和使用，支持推理和微调。

📦 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 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.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-rnnt-0.6b")

高级用法

# 转录多个音频文件
import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-rnnt-0.6b")
audio_files = ['audio1.wav', 'audio2.wav']
output = asr_model.transcribe(audio_files)
for result in output:
    print(result.text)

📚 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（RNNT）损失进行训练。你可以在 Fast-Conformer Model 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。

这些模型的分词器使用训练集的文本转录通过 脚本 构建。

数据集

该模型在由 NVIDIA NeMo 和 Suno 团队收集和准备的 64000 小时英语语音上进行训练。

训练数据集由一个 40000 小时的英语语音私有子集和来自以下公共数据集的 24000 小时组成：

• Librispeech：960 小时的英语语音
• Fisher Corpus
• 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（EN）
• Europarl-ASR（EN）
• 多语言 Librispeech（MLS EN） - 2000 小时子集
• Mozilla Common Voice（v7.0）
• People's Speech - 12000 小时子集

性能

自动语音识别模型的性能使用词错误率（Word Error Rate）进行衡量。由于该数据集在多个领域和更大的语料库上进行训练，因此在一般语音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 模型的性能以词错误率（WER%）报告，使用贪心解码。

这些是没有外部语言模型的贪心 WER 数值。有关评估的更多详细信息，请参阅 HuggingFace ASR 排行榜。

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性，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。请查看 Riva 实时演示。

🔧 技术细节

模型类型

FastConformer Transducer

训练数据

该模型在 64000 小时的英语语音上进行训练，包括私有子集和多个公共数据集，如 Librispeech、Fisher Corpus 等。

📄 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共和发布版本，即表示你接受 CC-BY-4.0 许可协议的条款和条件。

参考文献

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Google Sentencepiece Tokenizer [3] NVIDIA NeMo Toolkit [4] Suno.ai [5] HuggingFace ASR Leaderboard