Stt Es Conformer Ctc Large

🚀 NVIDIA Conformer-CTC Large (es)

这是一个用于西班牙语自动语音识别的模型，可将语音转录为小写西班牙语字母（包含空格）。它基于Conformer架构，拥有约1.2亿个参数，在1340小时的西班牙语语音复合数据集上进行训练，并且与NVIDIA Riva兼容，适用于生产级服务器部署。

🚀 快速开始

此模型可在NeMo工具包中使用，你可以将其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']

✨ 主要特性

• 语言支持：专注于西班牙语语音识别。
• 模型架构：采用Conformer-CTC非自回归架构。
• 参数规模：约1.2亿个参数的“大型”模型。
• 兼容性：与NVIDIA Riva兼容，便于生产级部署。

📦 安装指南

安装NVIDIA NeMo工具包：

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.EncDecCTCModelBPE.from_pretrained("nvidia/stt_es_conformer_ctc_large")

高级用法

用Python进行转录

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

📚 详细文档

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。

模型架构

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。你可以在 Conformer-CTC Model 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。

这些模型的分词器使用训练集的文本转录，通过 此脚本 构建。

用作神经重评分器的语言模型的检查点可以在 这里 找到。你可以在 ASR Language Modeling 中找到有关如何为ASR模型训练和使用语言模型的更多信息。

数据集

此集合中的所有模型都在一个包含1340小时西班牙语语音的复合数据集（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

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。

在使用 NVIDIA Riva 进行部署时，你可以将此模型与外部语言模型结合使用，以进一步提高WER。以下表格报告了最新模型在不同语言建模技术下的WER(%)。

限制

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。

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，建议使用 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、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：

• 开箱即用的高精度：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。
• 一流的准确性：支持运行时单词增强（例如品牌和产品名称），并可自定义声学模型、语言模型和逆文本归一化。
• 流式语音识别：支持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模型结合了卷积和Transformer架构，通过CTC损失函数进行训练，实现高效的语音识别。它在处理长序列语音时表现出色，能够捕捉语音中的上下文信息。

📄 许可证

本模型采用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