🚀 NVIDIA FastConformer-Hybrid Large (fr)

本模型可将法语语音转录为包含大小写字母、空格、句号、逗号和问号的文本。它是FastConformer Transducer - CTC的“大型”版本（约1.15亿个参数），是一个基于两种损失（Transducer（默认）和CTC）训练的混合模型。

🚀 快速开始

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后再安装它。

pip install nemo_toolkit['all']

✨ 主要特性

• 可转录法语语音，输出包含大小写字母及常见标点。
• 基于FastConformer Transducer - CTC架构，约1.15亿个参数。
• 混合模型，结合Transducer和CTC两种损失进行训练。

📦 安装指南

要使用该模型，需安装 NVIDIA NeMo，建议在安装最新版本的Pytorch后执行以下命令：

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_fr_fastconformer_hybrid_large_pc")

高级用法

转录单个音频文件

首先，获取一个音频样本：

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

使用Transducer模式推理：

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

📚 详细文档

输入

该模型接受16000 Hz单声道音频（wav文件）作为输入。

输出

该模型为给定的音频样本输出转录后的文本字符串。

🔧 技术细节

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使用联合Transducer和CTC解码器损失进行训练。你可以在以下链接找到更多关于FastConformer的详细信息：Fast - Conformer Model 以及关于混合Transducer - CTC训练的信息：Hybrid 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 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。

数据集

本集合中的所有模型都在一个包含1800小时法语语音的复合数据集（NeMo PnC ASRSET）上进行训练：

• MCV12（710小时）
• MLS（925小时）
• Voxpopuli（165小时）

性能

自动语音识别模型的性能使用单词错误率（WER）进行衡量。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模型的性能以单词错误率（WER%）的形式报告，采用贪心解码。

a) 无标点和大写数据上使用Transducer解码器

b) 有标点和大写数据上使用Transducer解码器

局限性

由于该模型在公开可用的语音数据集上进行训练，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。对于带有口音的语音，模型的表现也可能较差。此外，该模型仅输出 '.', ',', '?' 这些标点，因此在需要其他标点的场景中可能表现不佳。

NVIDIA Riva部署

NVIDIA Riva 是一个可在本地、所有云、多云、混合云、边缘和嵌入式设备上部署的加速语音AI SDK。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小时的GPU计算训练。
• 一流的准确率，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、Kubernetes兼容的扩展和企业级支持。

虽然该模型目前不受Riva支持，但 支持的模型列表在此。你可以查看 Riva实时演示。

📄 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开版本，即表示你接受 CC - BY - 4.0 许可的条款和条件。

🔗 参考资料

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