Stt En Fastconformer Transducer Large

🚀 NVIDIA FastConformer-Transducer Large (en)

本模型用于将语音转录为小写英文字符串。它是FastConformer Transducer的“大型”版本（约1.14亿个参数）。有关完整的架构详细信息，请参阅模型架构部分和NeMo文档。

🚀 快速开始

要使用本模型进行训练、微调或测试，你需要安装 NVIDIA NeMo。我们建议你在安装最新版本的Pytorch之后再安装它。

pip install nemo_toolkit['all']

✨ 主要特性

• 本模型可将语音转录为小写英文。
• 采用FastConformer架构，是优化版的Conformer模型，具有8倍深度可分离卷积下采样。
• 在多任务设置中使用Transducer解码器损失进行训练。

📦 安装指南

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之后再进行安装。

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_large")

高级用法

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/stt_en_fastconformer_transducer_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 详细文档

输入

本模型接受16000 Hz单声道音频（wav文件）作为输入。

输出

本模型为给定的音频样本提供转录后的语音字符串。

🔧 技术细节

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

本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 Corpus
• Switchboard-1 Dataset
• WSJ-0 和 WSJ-1
• National Speech Corpus（第1部分，第6部分）
• 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字错误率（Word Error Rate）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，因此在一般情况下，它在转录音频方面通常会表现得更好。

以下表格总结了本集合中使用Transducer解码器的可用模型的性能。ASR模型的性能以字错误率（WER%）的形式报告，采用贪心解码。

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，其性能可能会下降。该模型对于带有口音的语音的表现也可能较差。

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：

• 针对最常见语言的开箱即用的世界级准确性，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的定制功能，实现一流的准确性。
• 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。
查看 Riva实时演示。

📄 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开版本，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