Stt Zh Conformer Transducer Large

🚀 NVIDIA Conformer-Transducer Large (zh-ZH)

本模型用于将普通话语音转录为文字。它是 Conformer-Transducer 的大型版本（约 1.2 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

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

✨ 主要特性

• 能够将普通话语音转录为文字。
• 是 Conformer-Transducer 的大型版本，约 1.2 亿个参数。

📦 安装指南

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 后再安装它。

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.EncDecRNNTModel.from_pretrained("nvidia/stt_zh_conformer_transducer_large")

高级用法

转录单个音频文件

你可以像这样转录一个音频文件：

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_zh_conformer_transducer_large" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

输入

该模型接受 16000 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。

📚 详细文档

模型架构

Conformer-Transducer 模型是用于自动语音识别的 Conformer 模型 [1] 的自回归变体，它使用 Transducer 损失/解码而不是 CTC 损失。你可以在Conformer-Transducer 模型中找到该模型的更多详细信息。

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。

数据集

此集合中的所有模型均在包含普通话语音的 AISHELL2 [4] 上进行训练。

性能

此集合中可用模型的列表如下表所示。ASR 模型的性能以贪心解码的词错误率（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性，其模型检查点在专有数据上进行了数十万 GPU 计算小时的训练。
• 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。

尽管 Riva 目前尚不支持此模型，但支持的模型列表在此。查看 Riva 实时演示。

🔧 技术细节

本模型的技术细节可参考以下论文：

• Conformer: Convolution-augmented Transformer for Speech Recognition
• Google Sentencepiece Tokenizer
• NVIDIA NeMo Toolkit
• AISHELL-2: Transforming Mandarin ASR Research Into Industrial Scale

📄 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。