Parakeet Ctc 1.1b

🚀 Parakeet CTC 1.1B (en)

parakeet-ctc-1.1b 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 CTC [1] 的 XXL 版本（约 11 亿个参数）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。建议在安装最新版本的 PyTorch 之后再安装它。

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用于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.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/parakeet-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，简单地执行以下操作：

asr_model.transcribe(['2086-149220-0033.wav'])

转录多个音频文件

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-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

该模型为给定的音频样本提供转录后的语音字符串。

✨ 主要特性

• 先进架构：采用 FastConformer [1] 架构，这是 Conformer 模型的优化版本，具有 8 倍深度可分离卷积下采样，使用 CTC 损失进行训练。
• 大规模训练：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。
• 多领域适应性：由于在多个领域和更大的语料库上进行训练，该模型在一般音频转录方面表现出色。

📦 安装指南

要使用该模型，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.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/parakeet-ctc-1.1b")

高级用法

转录单个音频文件

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/parakeet-ctc-1.1b")
# 获取音频文件
import os
os.system("wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav")
# 转录音频
result = asr_model.transcribe(['2086-149220-0033.wav'])
print(result)

转录多个音频文件

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

📚 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。该模型使用 CTC 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 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 40000 小时的英语语音私有子集和 24000 小时的以下公共数据集组成：

• Librispeech：960 小时的英语语音
• Fisher Corpus
• Switchboard-1 Dataset
• WSJ-0 和 WSJ-1
• National Speech Corpus (Part 1, Part 6)
• VCTK
• VoxPopuli (EN)
• Europarl-ASR (EN)
• Multilingual 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（WER）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 CTC 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 排行榜。

🔧 技术细节

架构细节

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。该模型使用 CTC 损失进行训练。你可以在 Fast-Conformer Model 中找到有关 FastConformer 详细信息。

训练细节

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。

📄 许可证

使用该模型的许可受 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。

参考资料

[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