Stt Uk Citrinet 1024 Gamma 0 25

🚀 NVIDIA Streaming Citrinet 1024 (uk)

该模型可将乌克兰语语音转录为小写字母，包含空格和撇号，它基于69小时的乌克兰语语音数据进行训练。作为Streaming Citrinet的非自回归“大型”变体，该模型约有1.41亿个参数，通过跨语言迁移学习方法，在预训练的俄语Citrinet - 1024模型基础上，针对乌克兰语语音数据进行微调。

| | | | |

🚀 快速开始

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

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']

自动实例化模型

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModel.from_pretrained("nvidia/stt_uk_citrinet_1024_gamma_0_25")

使用Python进行转录

首先，获取一个音频样本。

然后，简单执行以下操作：

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_uk_citrinet_1024_gamma_0_25" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

输入

该模型接受16000 kHz的单声道音频（wav文件）作为输入。

输出

该模型会为给定的音频样本提供转录后的语音字符串。

✨ 主要特性

• 能够将乌克兰语语音准确转录为小写字母，包含空格和撇号。
• 基于跨语言迁移学习，在预训练的俄语模型基础上微调，提升了训练效率。
• 与NVIDIA Riva兼容，可用于生产级服务器部署。

📦 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之后再安装它。

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.EncDecCTCModel.from_pretrained("nvidia/stt_uk_citrinet_1024_gamma_0_25")
output = asr_model.transcribe(['sample.wav'])
print(output[0].text)

高级用法

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_uk_citrinet_1024_gamma_0_25" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 详细文档

模型架构

Streaming Citrinet - 1024模型是用于自动语音识别的Citrinet模型的非自回归、流式变体，它使用CTC损失/解码而非Transducer。有关此模型的更多信息，请参阅：Citrinet Model。

训练

使用NeMo工具包 [3] 对模型进行了1000个epoch的训练。该模型使用 此示例脚本 和 此基础配置 进行训练。

该模型的分词器使用训练集的文本转录，通过 此脚本 构建。

有关跨语言迁移学习的详细信息，请参阅 [4]。

数据集

该模型使用经过验证的Mozilla Common Voice Corpus 10.0数据集（不包括开发集和测试集）进行训练，该数据集包含69小时的乌克兰语语音。微调此模型所基于的俄语模型，是在以下数据集的组合上进行训练的：(1) Mozilla Common Voice (V7 Ru)，(2) Ru LibriSpeech (RuLS)，(3) Sber GOLOS和(4) SOVA数据集。

性能

此集合中可用模型的列表如下表所示。自动语音识别模型的性能以单词错误率（WER%）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，对于包含技术术语或未在训练集中出现的方言的语音，其性能可能会下降。对于带有口音的语音，模型的表现可能也会变差。

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，可使用 NVIDIA Riva 部署该模型。NVIDIA Riva是一个加速语音AI SDK，可在本地、所有云环境、多云、混合云、边缘和嵌入式设备上部署。

此外，Riva还提供以下功能：

• 针对最常见语言，使用经过数十万GPU计算小时的专有数据训练的模型检查点，提供世界级的开箱即用准确性。
• 通过运行时单词增强（例如品牌和产品名称）以及对声学模型、语言模型和逆文本归一化的定制，实现一流的准确性。
• 流式语音识别、与Kubernetes兼容的扩展以及企业级支持。

查看 Riva实时演示。

🔧 技术细节

• 模型类型：Streaming Citrinet - 1024，是Streaming Citrinet的非自回归“大型”变体，约有1.41亿个参数。
• 训练数据：使用了69小时的乌克兰语语音数据，来自经过验证的Mozilla Common Voice Corpus 10.0数据集（不包括开发集和测试集）。微调所基于的俄语模型在Mozilla Common Voice (V7 Ru)、Ru LibriSpeech (RuLS)、Sber GOLOS和SOVA数据集的组合上进行训练。
• 训练方法：使用NeMo工具包进行了1000个epoch的训练，采用跨语言迁移学习方法，在预训练的俄语Citrinet - 1024模型基础上针对乌克兰语语音数据进行微调。
• 分词器：使用Google Sentencepiece Tokenizer，通过训练集的文本转录构建。

📄 许可证

本项目采用CC - BY - 4.0许可证。

参考文献

[1] Citrinet: Closing the Gap between Non-Autoregressive and Autoregressive End-to-End Models for Automatic Speech Recognition
[2] Google Sentencepiece Tokenizer
[3] NVIDIA NeMo Toolkit
[4] Cross-Language Transfer Learning