Stt Kk Ru Fastconformer Hybrid Large

🚀 NVIDIA FastConformer-Hybrid Large (kk-ru)

本模型可将语音转录为小写的哈萨克语和俄语字母文本。它是FastConformer Transducer - CTC模型的“大型”版本（约1.15亿个参数），这是一个基于两种损失函数（Token - and - Duration Transducer（默认）和CTC）训练的混合模型。完整的架构细节请参阅模型架构部分和NeMo文档。

🚀 快速开始

要使用、训练或微调此模型，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

• 可转录哈萨克语和俄语语音为小写文本。
• 采用FastConformer Transducer - CTC混合模型架构，约1.15亿个参数。
• 基于Token - and - Duration Transducer和CTC两种损失函数进行训练。

📦 安装指南

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之后再进行安装。

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.EncDecHybridRNNTCTCBPEModel.from_pretrained(model_name="nvidia/stt_kk_ru_fastconformer_hybrid_large")

使用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)

高级用法

转录多个音频文件：

使用Transducer模式推理：

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

使用CTC模式推理：

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

📚 详细文档

模型架构

FastConformer [1] 是Conformer模型的优化版本，具有8倍深度可分离卷积下采样。该模型在多任务设置中进行训练，结合了Token - and - Duration Transducer和CTC解码器损失。有关FastConformer的详细信息，请参阅Fast - Conformer模型，有关混合Transducer - CTC训练的信息，请参阅混合Transducer - CTC。

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。

这些模型的分词器是使用训练集的文本转录，通过脚本构建的。

数据集

该模型在两个复合数据集上进行训练，其中包含1550小时的哈萨克语语音：

• MCV 17.0哈萨克语（1小时）
• 哈萨克语语音数据集（KSD）（416小时）
• 哈萨克语语音语料库2（KSC2）（1133小时）

以及约850小时的俄语语音：

• Golos（604小时）
• Sova（122小时）
• Dusha（102小时）
• MCV12（19小时）

性能

自动语音识别模型的性能通过字错误率（WER）来衡量。由于该数据集在多个领域和更大的语料库上进行训练，因此在一般语音转录方面通常表现更好。

以下表格总结了使用Transducer解码器时模型的性能。ASR模型的性能以贪心解码的字错误率（WER%）报告。

a) 在哈萨克语数据上

b) 在俄语数据上

局限性

该模型是非流式的，输出的语音文本没有大写和标点符号。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。

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率，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功能的一流准确率。
• 流式语音识别、Kubernetes兼容的扩展和企业级支持。

虽然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

该模型是FastConformer Transducer - CTC的“大型”版本，约有1.15亿个参数。它是一个混合模型，基于Token - and - Duration Transducer（默认）和CTC两种损失函数进行训练。FastConformer是Conformer模型的优化版本，具备8倍深度可分离卷积下采样。

📄 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。

参考资料

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Google Sentencepiece Tokenizer [3] NVIDIA NeMo Toolkit

⚠️ 重要提示

该模型是非流式的，输出的语音文本没有大写和标点符号。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。

💡 使用建议

建议在安装最新版本的Pytorch之后再安装NVIDIA NeMo。在转录多个音频文件时，可根据需求选择Transducer模式或CTC模式进行推理。