语言:

• 俄语 库名称: nemo 数据集:
  • mozilla-foundation/common_voice_12_0
  • SberDevices/Golos
  • Russian-LibriSpeech
  • SOVA-Dataset
  • Dusha-Dataset 缩略图: null 标签:
• 自动语音识别
• 语音
• 音频
• 转换器
• FastConformer
• CTC
• 变压器
• pytorch
• NeMo
• hf-asr-leaderboard 许可证: cc-by-4.0 模型索引:
• 名称: stt_ru_fastconformer_hybrid_large_pc 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: common-voice-12-0 类型: mozilla-foundation/common_voice_12_0 配置: ru 分割: test 参数: 语言: ru 指标:
    • 名称: 测试 WER 类型: wer 值: 5.3
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Sberdevices Golos (crowd) 类型: SberDevices/Golos 配置: crowd 分割: test 参数: 语言: ru 指标:
    • 名称: 测试 WER 类型: wer 值: 1.9
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Sberdevices Golos (farfield) 类型: SberDevices/Golos 配置: farfield 分割: test 参数: 语言: ru 指标:
    • 名称: 测试 WER 类型: wer 值: 5.76
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Russian LibriSpeech 类型: RuLS 配置: ru 分割: test 参数: 语言: ru 指标:
    • 名称: 测试 WER 类型: wer 值: 11.05
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: common-voice-12-0 类型: mozilla-foundation/common_voice_12_0 配置: Russian P&C 分割: test 参数: 语言: ru 指标:
    • 名称: 测试 WER P&C 类型: wer 值: 7.3

NVIDIA FastConformer-Hybrid 大型（俄语）

| | |

该模型转录包含大小写俄文字母、空格、句号、逗号和问号的语音。它是FastConformer Transducer-CTC（约1.15亿参数）模型的“大型”版本。这是一个在两种损失上训练的混合模型：Transducer（默认）和CTC。有关完整的架构细节，请参阅模型架构部分和NeMo文档。

NVIDIA NeMo：训练

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

pip install nemo_toolkit['all']

如何使用该模型

该模型可在NeMo工具包[3]中使用，并可作为预训练检查点用于推理或在另一个数据集上进行微调。

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_ru_fastconformer_hybrid_large_pc")

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

使用Transducer模式推理：

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_ru_fastconformer_hybrid_large_pc" 
 audio_dir="<包含音频文件的目录>"

使用CTC模式推理：

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_ru_fastconformer_hybrid_large_pc" 
 audio_dir="<包含音频文件的目录>"
 decoder_type="ctc"

输入

该模型接受16kHz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

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训练，结合了Transducer和CTC解码器损失。您可以在此处找到有关FastConformer的更多详细信息：Fast-Conformer模型以及关于混合Transducer-CTC训练的信息：混合Transducer-CTC。

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进行训练。

这些模型的分词器使用训练集的文本转录本构建，使用此脚本。

数据集

本集合中的所有模型都在一个包含1840小时俄语语音的复合数据集（NeMo PnC ASRSET）上训练：

• Golos（1200小时）
• Sova（310小时）
• Dusha（200小时）
• RULS（92.5小时）
• MCV12（36.7小时）

性能

自动语音识别模型的性能使用词错误率来衡量。由于该模型在多个领域和更大的语料库上训练，通常在转录一般音频时表现更好。

下表总结了本集合中可用模型在使用Transducer解码器时的性能。ASR模型的性能以贪婪解码的词错误率（WER%）报告。

a) 在不带标点和大小写的数据上使用Transducer解码器

b) 在带标点和大小写的数据上使用Transducer解码器

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，模型的表现也可能较差。该模型仅输出标点符号：'.', ',', '?' ，因此在需要其他标点符号的场景中可能表现不佳。

NVIDIA Riva：部署

NVIDIA Riva，是一个可加速的语音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提供：

• 世界级的开箱即用准确性，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
• 最佳准确性，具有运行时词增强（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的定制
• 流式语音识别、Kubernetes兼容的扩展和企业级支持

尽管Riva尚未支持此模型，但支持的模型列表在此。
查看Riva实时演示。

参考文献

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition

[2] Google Sentencepiece Tokenizer

[3] NVIDIA NeMo Toolkit

许可证

使用该模型的许可证涵盖CC-BY-4.0。通过下载该模型的公共和发布版本，您接受CC-BY-4.0许可证的条款和条件。