Stt Es Conformer Transducer Large

🚀 NVIDIA Conformer-Transducer Large (es)

本模型可将西班牙语语音转录为小写字母形式，包含空格。它在由1340小时西班牙语语音组成的复合数据集上进行训练，是Conformer - Transducer的“大型”变体，约有1.2亿个参数。查看模型架构部分和NeMo文档可了解完整的架构细节。

| | |

🚀 快速开始

本模型可用于语音转录，若要对其进行训练、微调或使用，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。

✨ 主要特性

• 可将西班牙语语音转录为小写字母形式，包含空格。
• 基于Conformer - Transducer架构，约有1.2亿个参数。
• 在由1340小时西班牙语语音组成的复合数据集上进行训练。

📦 安装指南

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.EncDecRNNTBPEModel.from_pretrained("nvidia/stt_es_conformer_transducer_large")

高级用法

转录单个音频文件

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_es_conformer_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。

模型架构

Conformer - Transducer模型是用于自动语音识别的Conformer模型的自回归变体，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

本集合中的所有模型都在由1340小时西班牙语语音组成的复合数据集（NeMo ASRSET）上进行训练：

• Mozilla Common Voice 7.0（西班牙语） - 数据清理后为289小时
• Multilingual LibriSpeech（西班牙语） - 数据清理后为801小时
• Voxpopuli转录子集（西班牙语） - 数据清理后为110小时
• Fisher数据集（西班牙语） - 数据清理后为140小时

性能

本集合中可用模型的列表如下表所示。自动语音识别（ASR）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，模型的表现可能也会更差。

NVIDIA Riva部署

NVIDIA Riva 是一个加速语音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、语言模型和逆文本规范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。

🔧 技术细节

Conformer - Transducer模型结合了Conformer架构和Transducer损失/解码机制，Conformer架构通过卷积增强Transformer，以更好地处理语音信号的局部和全局特征。在训练过程中，使用了大量的西班牙语语音数据，经过数据清理和预处理后，用于训练模型的参数。分词器采用SentencePiece Unigram，词汇表大小为1024。

📄 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。

参考文献

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