🚀 Parakeet TDT-CTC 110M PnC（英文）

Parakeet TDT-CTC 110M PnC 是一款自动语音识别（ASR）模型，能够对英文语音进行转录，并添加标点和大小写。该模型由 NVIDIA NeMo 和 Suno.ai 团队联合开发，为语音转录提供了高效且准确的解决方案。

🚀 快速开始

安装 NVIDIA NeMo

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']

使用模型

自动实例化模型

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt_ctc-110m")

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)

转录多个音频文件

默认情况下，模型使用 TDT 对音频文件进行转录。若要切换解码器使用 CTC，可使用 decoding_type='ctc'。

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-tdt_ctc-110m" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

输入

该模型接受 16000 Hz 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

• 联合开发：由 NVIDIA NeMo 和 Suno.ai 团队联合开发。
• 架构优势：采用 Hybrid FastConformer [1] TDT-CTC [2] 架构，约有 114M 参数。使用全注意力的 fastconformer 架构进行训练，可一次性转录长达 20 分钟的音频。
• 快速 RTFx 值：在所有数据集上都能实现超快的 RTFx 值，在 Hugging Face 排行榜评估集的 A100 上平均 RTFx 约为 5300。

📦 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

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt_ctc-110m")

# 获取示例音频文件
import os
os.system("wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav")

# 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，切换解码器使用 CTC：

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-tdt_ctc-110m" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"
 decoding_type='ctc'

📚 详细文档

模型架构

该模型采用 Hybrid FastConformer-TDT-CTC 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。你可以在 Fast-Conformer Model 中找到更多关于 FastConformer 的详细信息。

训练

使用 NeMo 工具包 [3] 在 parakeet-tdt-1.1 模型上进行了 20,000 步的微调。该模型使用 示例脚本 和 基础配置 进行训练。

数据集

该模型在 NVIDIA NeMo 和 Suno 团队收集和准备的 36K 小时英文语音数据上进行训练。训练数据集包括 27K 小时的英文语音私有子集，以及来自以下公共 PnC 数据集的 9k 小时数据：

• Librispeech：960 小时的英文语音
• Fisher Corpus
• National Speech Corpus Part 1
• VCTK
• VoxPopuli (EN)
• Europarl-ASR (EN)
• Multilingual Librispeech (MLS EN) - 2,000 小时子集
• Mozilla Common Voice (v7.0)

性能

自动语音识别模型的性能通过词错误率（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，因此在一般音频转录方面通常表现更好。

以下表格总结了该集合中可用模型使用 Transducer 解码器的性能。ASR 模型的性能以词错误率（WER%）的形式报告，采用贪心解码。

这些是未使用外部语言模型的贪心 WER 数值。更多评估细节可在 HuggingFace ASR Leaderboard 中找到。

NVIDIA Riva 部署

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：

• 高精度：针对最常见语言，使用在专有数据上训练的模型检查点，经过数十万 GPU 计算小时，实现了世界级的开箱即用精度。
• 定制化：通过运行时单词增强（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，实现一流的精度。
• 流式识别与企业支持：支持流式语音识别、Kubernetes 兼容扩展和企业级支持。

虽然该模型目前尚未得到 Riva 的支持，但 支持的模型列表在此。你可以查看 Riva 实时演示。

🔧 技术细节

该模型使用 Hybrid FastConformer-TDT-CTC 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。你可以在 Fast-Conformer Model 中找到更多关于 FastConformer 的详细信息。

📄 许可证

使用此模型的许可受 CC-BY-4.0 协议的约束。通过下载该模型的公共和发布版本，即表示你接受 CC-BY-4.0 许可证的条款和条件。

参考文献

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition [2] Efficient Sequence Transduction by Jointly Predicting Tokens and Durations [3] Google Sentencepiece Tokenizer [4] NVIDIA NeMo Toolkit [5] Suno.ai [6] HuggingFace ASR Leaderboard [7] Towards Measuring Fairness in AI: the Casual Conversations Dataset