Stt Ru Fastconformer Hybrid Large Pc

🚀 NVIDIA FastConformer-Hybrid Large (ru)

本项目是一个用于俄语自动语音识别的模型，基于FastConformer架构，结合了Transducer和CTC损失进行训练，在多个俄语语音数据集上表现出色。

🚀 快速开始

若要训练、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']

✨ 主要特性

• 能够转录包含大小写俄语字母、空格、句号、逗号和问号的语音。
• 采用FastConformer Transducer - CTC架构的“大型”版本，约有1.15亿个参数。
• 结合了Transducer和CTC两种损失进行多任务训练。

📦 安装指南

安装 NVIDIA NeMo，使用以下命令：

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.EncDecHybridRNNTCTCBPEModel.from_pretrained(model_name="nvidia/stt_ru_fastconformer_hybrid_large_pc")

高级用法

用Python转录语音

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

使用Transducer模式推理：

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

使用CTC模式推理：

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

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进行训练，结合了联合Transducer和CTC解码器损失。你可以在以下链接找到更多关于FastConformer的详细信息：Fast - Conformer Model 以及关于混合Transducer - CTC训练的信息：Hybrid Transducer - CTC。

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

本集合中的所有模型都在一个复合数据集（NeMo PnC ASRSET）上进行训练，该数据集包含1840小时的俄语语音：

• Golos (1200小时)
• Sova (310小时)
• Dusha (200小时)
• RULS (92.5小时)
• MCV12 (36.7小时)

性能

自动语音识别模型的性能通过单词错误率（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，因此在一般音频转录方面通常表现更好。

以下表格总结了本集合中可用模型在使用Transducer解码器时的性能。ASR模型的性能以贪婪解码的单词错误率（WER%）报告。

a) 在无标点和大写的数据上使用Transducer解码器

b) 在有标点和大写的数据上使用Transducer解码器

局限性

由于该模型在公开可用的语音数据集上进行训练，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，模型的性能也可能较差。该模型仅输出标点符号 '.', ',', '?' ，因此在需要其他标点符号的场景中可能表现不佳。

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性，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。 查看 Riva实时演示。

引用

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

📄 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。

信息表格