语言:

• 英语 库名称: nemo 数据集:
• librispeech_asr
• fisher_corpus
• Switchboard-1
• WSJ-0
• WSJ-1
• 新加坡国立语料库第一部分
• 新加坡国立语料库第六部分
• vctk
• mozilla-foundation/common_voice_7_0
• facebook/multilingual_librispeech
• facebook/voxpopuli 缩略图: 无 标签:
• 自动语音识别
• 语音
• 音频
• CTC
• Conformer
• Transformer
• pytorch
• NeMo
• hf-asr-leaderboard
• Riva 许可证: cc-by-4.0 小部件:
• 示例标题: Librispeech 样本1 来源: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• 示例标题: Librispeech 样本2 来源: https://cdn-media.huggingface.co/speech_samples/sample2.flac 模型索引:
• 名称: stt_en_conformer_ctc_large 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: LibriSpeech (干净) 类型: librispeech_asr 配置: clean 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 2.2
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: LibriSpeech (其他) 类型: librispeech_asr 配置: other 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 4.3
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: 多语言LibriSpeech 类型: facebook/multilingual_librispeech 配置: english 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 7.2
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Mozilla Common Voice 7.0 类型: mozilla-foundation/common_voice_7_0 配置: en 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 8
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Mozilla Common Voice 8.0 类型: mozilla-foundation/common_voice_8_0 配置: en 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 9.48
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: 华尔街日报92 类型: wsj_0 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 2
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: 华尔街日报93 类型: wsj_1 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 2.9
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: 新加坡国立语料库 类型: nsc_part_1 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 7

NVIDIA Conformer-CTC 大型模型 (en-US)

| | | | |

该模型转录包含空格和撇号的英文小写字母语音，并在数千小时的英语语音数据上训练。它是Conformer的非自回归“大型”变体，约1.2亿参数。完整架构详情请参见模型架构部分和NeMo文档。该模型还兼容NVIDIA Riva，可用于生产级服务器部署。

使用方式

该模型可在NeMo工具包[3]中使用，可作为预训练检查点用于推理或对其他数据集进行微调。

要训练、微调或使用该模型，您需要安装NVIDIA NeMo。建议在安装最新版PyTorch后安装。

pip install nemo_toolkit['all']

自动实例化模型

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

使用Python转录

首先，获取一个样本

wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav

然后简单执行：

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_en_conformer_ctc_large" 
 audio_dir="<包含音频文件的目录>"

输入

该模型接受16 kHz单声道音频（wav文件）作为输入。

输出

该模型为给定音频样本提供转录语音字符串。

模型架构

Conformer-CTC模型是Conformer模型[1]的非自回归变体，用于自动语音识别，使用CTC损失/解码而非Transducer。更多详情请参见：Conformer-CTC模型。

训练

NeMo工具包[3]用于训练模型数百个epoch。这些模型使用此示例脚本和此基础配置训练。

这些模型的标记器使用训练集的文本转录构建，使用此脚本。

用作神经重评分的语言模型检查点可在此找到。更多关于如何训练和使用ASR模型的语言模型的信息，请参见：ASR语言建模

数据集

本集合中的所有模型均在包含数千小时英语语音的复合数据集（NeMo ASRSET）上训练：

• Librispeech 960小时英语语音
• Fisher语料库
• Switchboard-1数据集
• WSJ-0和WSJ-1
• 新加坡国立语料库（第一部分、第六部分）
• VCTK
• VoxPopuli（英语）
• Europarl-ASR（英语）
• 多语言Librispeech（MLS英语）- 2000小时子集
• Mozilla Common Voice（v7.0）

注意：旧版本的模型可能在较小的数据集上训练。

性能

下表显示了本集合中可用模型的列表。ASR模型的性能以贪婪解码的词错误率（WER%）报告。

使用NVIDIA Riva部署时，可将此模型与外部语言模型结合以进一步提高WER。下表报告了最新模型使用不同语言建模技术的WER(%)。

限制

由于该模型在公开可用的语音数据集上训练，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。对于口音语音，模型表现也可能较差。

使用NVIDIA Riva部署

为获得最佳实时准确性、延迟和吞吐量，请使用NVIDIA Riva部署模型，这是一个可部署在本地、所有云、多云、混合云、边缘和嵌入式的加速语音AI SDK。此外，Riva提供：

• 世界级开箱即用的准确性，针对最常见语言，模型检查点在专有数据上训练，耗费数十万GPU计算小时
• 通过运行时词增强（如品牌和产品名称）以及声学模型、语言模型和反向文本归一化的定制，实现最佳准确性
• 流式语音识别、Kubernetes兼容扩展和企业级支持

查看Riva实时演示。

参考文献

• [1] Conformer: 用于语音识别的卷积增强Transformer

• [2] Google Sentencepiece标记器

• [3] NVIDIA NeMo工具包