Stt En Fastconformer Hybrid Large Streaming Multi

🚀 NVIDIA流式Conformer-Hybrid大模型（美式英语）

本模型集合包含了支持多前瞻的缓存感知型FastConformer-Hybrid大尺寸版本（约1.14亿个参数），在大规模英语语音数据上进行训练。这些模型专为流式自动语音识别（ASR）而设计，可用于具有不同延迟（0毫秒、80毫秒、480毫秒、1040毫秒）的流式应用程序。每种情况下，模型的最坏延迟和平均延迟为上述数值的一半。你可以在此处 [5]找到更多细节和评估结果。

🚀 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流式处理或在其他数据集上进行微调。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

• 本集合包含大尺寸的缓存感知型FastConformer-Hybrid版本，约有1.14亿个参数，支持多前瞻。
• 模型在大规模英语语音数据上训练，适用于流式自动语音识别。
• 支持多种延迟设置，可用于不同的流式应用场景。

📦 安装指南

你需要安装 NVIDIA NeMo，建议在安装最新版本的PyTorch之后再进行安装，安装命令如下：

pip install nemo_toolkit['all']

💻 使用示例

基础用法

模拟流式ASR

你可以使用此脚本模拟这些模型的流式ASR：缓存感知流式模拟。你可以使用 --att_context_size 设置上下文大小，否则将使用列表中的第一个上下文大小（1040毫秒）作为默认值。

使用Python进行转录

缓存感知模型的设计使得模型在离线和流式模式下的预测结果相同。因此，你可以使用常规的转录函数进行转录。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，执行以下代码：

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

# 可选：更改默认延迟。默认延迟为1040毫秒。支持的延迟：{0: 0毫秒, 1: 80毫秒, 16: 480毫秒, 33: 1040毫秒}。
# 注意：这些是最坏延迟，平均延迟为这些数值的一半。
asr_model.encoder.set_default_att_context_size([70,13]) 

# 可选：更改默认解码器。默认解码器为Transducer (RNNT)。支持的解码器：{ctc, rnnt}。
asr_model.change_decoding_strategy(decoder_type='rnnt')

output = asr_model.transcribe(['2086-149220-0033.wav'])
print(output[0].text)

高级用法

转录多个音频文件

使用Transducer模式进行推理：

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

使用CTC模式进行推理：

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

要在不同的前瞻设置之间切换，你可以在 transcribe_speech.py 脚本中设置 att_context_size，如下所示：

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py \
  pretrained_name="stt_en_fastconformer_hybrid_large_streaming_multi" \
  audio_dir="<DIRECTORY CONTAINING AUDIO FILES>" \
  att_context_size=[70,0]

att_context_size 支持的值为：{[70,0]: 0毫秒, [70,1]: 80毫秒, [70,16]: 480毫秒, [70,33]: 1040毫秒}。

📚 详细文档

模型架构

这些模型是Hybrid FastConfomer的缓存感知版本，专为流式ASR训练。你可以在 缓存感知流式Conformer [5] 中找到有关缓存感知模型的更多信息。

这些模型使用多前瞻进行训练，使其能够支持不同的延迟。要了解如何在不同的前瞻设置之间切换，你可以阅读有关缓存感知模型的文档。

FastConformer [4] 是Conformer模型 [1] 的优化版本，你可以在 Fast-Conformer模型 中找到有关FastConformer详细信息。

该模型在多任务设置中使用联合Transducer和CTC解码器损失进行训练 [5]。你可以在 混合Transducer-CTC 中找到有关混合Transducer-CTC训练的更多信息。你也可以在文档中找到有关如何在Transducer和CTC解码器之间切换的更多内容。

训练数据

本集合中的所有模型均在一个复合数据集（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
• 新加坡国家语料库（第1部分、第6部分）
• VCTK
• VoxPopuli（英语）
• Europarl-ASR（英语）
• 多语言Librispeech（MLS EN） - 2000小时子集
• Mozilla Common Voice（v7.0）
• People's Speech - 12000小时子集

注意：较旧版本的模型可能在较小的数据集上进行训练。

性能表现

本集合中可用模型的列表在以下表格中展示，分别列出了Transducer解码器和CTC解码器的性能。自动语音识别模型的性能以单词错误率（WER%）表示，采用贪心解码。

Transducer解码器

CTC解码器

输入输出

• 输入：本模型接受16000 KHz单声道音频（wav文件）作为输入。
• 输出：对于给定的音频样本，本模型以字符串形式提供转录后的语音。

局限性

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。对于带有口音的语音，模型的表现可能也会较差。

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还提供以下功能：

• 针对最常见语言，使用在专有数据上训练的模型检查点，经过数十万小时的GPU计算，实现世界级的开箱即用准确率。
• 通过运行时单词增强（例如品牌和产品名称）以及对声学模型、语言模型和逆文本归一化的定制，实现一流的准确率。
• 支持流式语音识别、Kubernetes兼容的扩展和企业级支持。

虽然此模型目前尚未得到Riva的支持，但 支持的模型列表在此处。你可以查看 Riva实时演示。

🔧 技术细节

这些模型是基于缓存感知的FastConformer-Hybrid架构，使用多前瞻技术进行训练，以支持不同的延迟。模型在大规模英语语音数据集上进行训练，采用联合Transducer和CTC解码器损失的多任务训练方法。具体的技术细节和评估结果可以参考 Stateful Conformer with Cache-based Inference for Streaming Automatic Speech Recognition [5]。

📄 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 [4] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [5] Stateful Conformer with Cache-based Inference for Streaming Automatic Speech Recognition