Stt En Fastconformer Transducer Xlarge

🚀 NVIDIA FastConformer-Transducer XLarge (en)

该模型可将语音转录为小写英文字母文本。它是FastConformer Transducer的“超大”版本（约6.18亿个参数）。如需了解完整的架构细节，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后再安装它。

pip install nemo_toolkit['all']

✨ 主要特性

• 可将语音转录为小写英文字母文本。
• 是FastConformer Transducer的“超大”版本，约有6.18亿个参数。
• 基于多任务设置，使用Transducer解码器（RNNT）损失进行训练。

📦 安装指南

安装NVIDIA NeMo：

pip install nemo_toolkit['all']

💻 使用示例

基础用法

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/stt_en_fastconformer_transducer_xlarge")

高级用法

用Python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/stt_en_fastconformer_transducer_xlarge" 
 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（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。这些模型使用此示例脚本和此基础配置进行训练。

这些模型的分词器是使用训练集的文本转录，通过此脚本构建的。

数据集

此集合中的模型在一个复合数据集（NeMo ASRSet En）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
• 国家语音语料库（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

性能

自动语音识别模型的性能使用字错误率（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，因此它在一般音频转录方面通常表现更好。

下表总结了此集合中使用Transducer解码器的可用模型的性能。ASR模型的性能以贪婪解码的字错误率（WER%）报告。

局限性

由于该模型是在公开可用的语音数据集上训练的，因此对于包含技术术语或模型未训练过的方言的语音，该模型的性能可能会下降。对于带有口音的语音，模型的表现可能也会更差。

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率，其模型检查点在专有数据上进行了数十万小时的GPU计算训练。
• 具有运行时单词增强（例如品牌和产品名称）以及声学模型、语言模型和逆文本规范化定制的一流准确率。
• 流式语音识别、Kubernetes兼容的扩展和企业级支持。

虽然此模型目前不受Riva支持，但支持的模型列表在此。 请查看Riva实时演示。

🔧 技术细节

FastConformer是Conformer模型的优化版本，其优化点在于采用了8倍深度可分离卷积下采样。在训练时采用多任务设置，并结合Transducer解码器（RNNT）损失，使得模型在语音识别任务上有更好的表现。训练过程使用NeMo工具包，通过特定的示例脚本和基础配置进行了数百个epoch的训练。分词器的构建也是基于训练集的文本转录，使用专门的脚本完成。

📄 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。

参考资料

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Google Sentencepiece Tokenizer [3] NVIDIA NeMo Toolkit