Stt Ru Conformer Ctc Large

🚀 NVIDIA Conformer-CTC Large (Russian)

本项目是一个用于俄语自动语音识别的模型，基于Conformer-CTC架构，在多个俄语语音数据集上进行训练，可将语音转录为小写西里尔字母文本。

🚀 快速开始

本模型可在NeMo工具包中使用，可作为预训练的检查点进行推理或在其他数据集上进行微调。

要训练、微调或使用该模型，您需要安装 NVIDIA NeMo。建议在安装最新版本的PyTorch之后再安装它。

pip install nemo_toolkit['all']

自动实例化模型

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained(model_name="stt_ru_conformer_ctc_large")

使用Python进行转录

output = asr_model.transcribe(['sample.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_ru_conformer_ctc_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

输入

该模型接受16 kHz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

• 本模型将语音转录为包含空格的小写西里尔字母，在约1636小时的俄语语音数据上进行训练。
• 它是Conformer的非自回归“大型”变体，约有1.2亿个参数。

📦 安装指南

要使用此模型，您需要安装 NVIDIA NeMo，建议在安装最新版本的PyTorch之后再进行安装。使用以下命令安装：

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="stt_ru_conformer_ctc_large")
output = asr_model.transcribe(['sample.wav'])
print(output[0].text)

高级用法

转录多个音频文件：

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

📚 详细文档

模型架构

Conformer-CTC模型是用于自动语音识别的Conformer模型 [1] 的非自回归变体，它使用CTC损失/解码而不是Transducer。您可以在 Conformer-CTC Model 中找到有关此模型详细信息。

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。

我们使用的词汇表包含33个字符：

[' ', 'а', 'б', 'в', 'г', 'д', 'е', 'ж', 'з', 'и', 'й', 'к', 'л', 'м', 'н', 'о', 'п', 'р', 'с', 'т', 'у', 'ф', 'х', 'ц', 'ч', 'ш', 'щ', 'ъ', 'ы', 'ь', 'э', 'ю', 'я']

在预处理过程中，带有变音符号的稀有符号被替换。

数据集

此集合中的所有模型都在一个复合数据集（NeMo ASRSET）上进行训练，该数据集包含超过一千小时的俄语语音：

• Mozilla Common Voice 10.0（俄语） - 训练子集 [28小时]
• Golos - 众包 [1070小时] 和远场 [111小时] 子集
• Russian LibriSpeech（RuLS） [92小时]
• SOVA - RuAudiobooksDevices [260小时] 和RuDevices [75小时] 子集

性能

此集合中可用模型的列表如下表所示。ASR模型的性能以单词错误率（WER%）报告，采用贪心解码。 | 版本 | 分词器 | 词汇表大小 | MCV 10.0开发集 | MCV 10.0测试集 | GOLOS众包测试集 | GOLOS远场测试集 | RuLS测试集 | 训练数据集 | |------|-----------------------|--------------|-----------------|----------------|-----------------|------------------|---------------------|--------------|---------------| | 1.13.0 | SentencePiece Unigram | 128 | 3.94 | 4.28 | 2.77 | 7.15 | 13.60 | NeMo ASRSET |

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。该模型对于带有口音的语音表现可能也会较差。

使用NVIDIA Riva进行部署

为了获得最佳的实时准确性、低延迟和高吞吐量，请使用 NVIDIA Riva 部署模型，这是一个可在本地、所有云、多云、混合云、边缘和嵌入式设备上部署的加速语音AI SDK。 此外，Riva还提供：

• 针对最常用语言的世界级开箱即用准确性，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、语言模型和逆文本归一化定制的一流准确性
• 流式语音识别、Kubernetes兼容的扩展和企业级支持 查看 Riva实时演示。

🔧 技术细节

Conformer-CTC模型是用于自动语音识别的Conformer模型的非自回归变体，它使用CTC损失/解码而不是Transducer。详细架构信息可参考 Conformer-CTC Model。

模型使用NeMo工具包进行训练，训练脚本和配置可在 示例脚本 和 基础配置 中找到。分词器使用训练集的文本转录通过 脚本 构建。

📄 许可证

本项目采用CC BY 4.0许可证。

参考文献

• [1] Conformer: Convolution-augmented Transformer for Speech Recognition
• [2] Google Sentencepiece Tokenizer
• [3] NVIDIA NeMo Toolkit