许可证: cc-by-4.0 语言:

• 英文
• 德文
• 西班牙文
• 法文 库名称: nemo 数据集:
• librispeech_asr
• fisher_corpus
• Switchboard-1
• WSJ-0
• WSJ-1
• 新加坡国家语料库第一部分
• 新加坡国家语料库第六部分
• vctk
• voxpopuli
• europarl
• multilingual_librispeech
• mozilla-foundation/common_voice_8_0
• MLCommons/peoples_speech 缩略图: 无 标签:
• 自动语音识别
• 自动语音翻译
• 语音
• 音频
• Transformer
• FastConformer
• Conformer
• pytorch
• NeMo
• hf-asr-leaderboard 小部件:
• 示例标题: Librispeech 样本1 src: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• 示例标题: Librispeech 样本2 src: https://cdn-media.huggingface.co/speech_samples/sample2.flac 模型索引:
• 名称: canary-1b-flash 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: LibriSpeech (其他) 类型: librispeech_asr 配置: other 分割: test 参数: language: en 指标:
    • 名称: 测试 WER 类型: wer 值: 2.87
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: SPGI 语音 类型: kensho/spgispeech 配置: test 分割: test 参数: language: en 指标:
    • 名称: 测试 WER 类型: wer 值: 1.95
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Mozilla Common Voice 16.1 类型: mozilla-foundation/common_voice_16_1 配置: en 分割: test 参数: language: en 指标:
    • 名称: 测试 WER (英文) 类型: wer 值: 6.99
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Mozilla Common Voice 16.1 类型: mozilla-foundation/common_voice_16_1 配置: de 分割: test 参数: language: de 指标:
    • 名称: 测试 WER (德文) 类型: wer 值: 4.09
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Mozilla Common Voice 16.1 类型: mozilla-foundation/common_voice_16_1 配置: es 分割: test 参数: language: es 指标:
    • 名称: 测试 WER (西班牙文) 类型: wer 值: 3.62
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Mozilla Common Voice 16.1 类型: mozilla-foundation/common_voice_16_1 配置: fr 分割: test 参数: language: fr 指标:
    • 名称: 测试 WER (法文) 类型: wer 值: 6.15
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: FLEURS 类型: google/fleurs 配置: en_us 分割: test 参数: language: en-de 指标:
    • 名称: 测试 BLEU (英->德) 类型: bleu 值: 32.27
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: FLEURS 类型: google/fleurs 配置: en_us 分割: test 参数: language: en-de 指标:
    • 名称: 测试 BLEU (英->西) 类型: bleu 值: 22.6
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: FLEURS 类型: google/fleurs 配置: en_us 分割: test 参数: language: en-de 指标:
    • 名称: 测试 BLEU (英->法) 类型: bleu 值: 41.22
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: FLEURS 类型: google/fleurs 配置: de_de 分割: test 参数: language: de-en 指标:
    • 名称: 测试 BLEU (德->英) 类型: bleu 值: 35.5
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: FLEURS 类型: google/fleurs 配置: es_419 分割: test 参数: language: es-en 指标:
    • 名称: 测试 BLEU (西->英) 类型: bleu 值: 23.32
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: FLEURS 类型: google/fleurs 配置: fr_fr 分割: test 参数: language: fr-en 指标:
    • 名称: 测试 BLEU (法->英) 类型: bleu 值: 33.42
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: COVOST 类型: covost2 配置: de_de 分割: test 参数: language: de-en 指标:
    • 名称: 测试 BLEU (德->英) 类型: bleu 值: 39.33
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: COVOST 类型: covost2 配置: es_419 分割: test 参数: language: es-en 指标:
    • 名称: 测试 BLEU (西->英) 类型: bleu 值: 41.86
  • 任务: 类型: 自动语音翻译 名称: automatic-speech-translation 数据集: 名称: COVOST 类型: covost2 配置: fr_fr 分割: test 参数: language: fr-en 指标:
    • 名称: 测试 BLEU (法->英) 类型: bleu 值: 41.43 指标:
• wer
• bleu
• comet 管道标签: automatic-speech-recognition

Canary 1B Flash

描述:

NVIDIA NeMo Canary Flash [1] 是基于Canary架构[2]的多语言多任务模型系列，在多个语音基准测试中实现了最先进的性能。拥有8.83亿参数和超过1000 RTFx的推理速度（在open-asr-leaderboard数据集上），canary-1b-flash支持四种语言（英语、德语、法语、西班牙语）的自动语音转文本识别（ASR）以及从英语到德语/法语/西班牙语和从德语/法语/西班牙语到英语的翻译，可选择是否包含标点和大小写（PnC）。此外，canary-1b-flash还提供实验性的单词级和片段级时间戳功能，支持英语、德语、法语和西班牙语。 该模型采用宽松的CC-BY-4.0许可证发布，可用于商业用途。

模型架构:

Canary是一个编码器-解码器模型，采用FastConformer [3]编码器和Transformer解码器[4]。通过从编码器提取的音频特征，任务令牌如<目标语言>、<任务>、<切换时间戳>和<切换PnC>被输入到Transformer解码器以触发文本生成过程。Canary使用来自每种语言的SentencePiece [6]分词器的连接分词器[5]，这使得扩展到更多语言变得容易。canary-1b-flash模型有32个编码器层和4个解码器层，总计8.83亿参数。有关架构的更多详情，请参阅[1]。

NVIDIA NeMo

要使用canary-1b-flash进行训练、微调或转录，您需要安装NVIDIA NeMo。

如何使用此模型

该模型可在NeMo框架[7]中使用，可作为预训练检查点用于推理或对另一个数据集进行微调。

请参考我们的教程获取更多详情。

以下是几个推理示例：

加载模型

from nemo.collections.asr.models import EncDecMultiTaskModel
# 加载模型
canary_model = EncDecMultiTaskModel.from_pretrained('nvidia/canary-1b-flash')
# 更新解码参数
decode_cfg = canary_model.cfg.decoding
decode_cfg.beam.beam_size = 1
canary_model.change_decoding_strategy(decode_cfg)

输入:

输入类型: 音频
输入格式: .wav或.flac文件
输入参数: 1D
其他输入相关属性: 16000 Hz单声道音频，无需预处理

canary-1b-flash的输入可以是音频文件路径列表或jsonl清单文件。

如果输入是路径列表，canary-1b-flash假设音频为英文并进行转录。即canary-1b-flash的默认行为是英文ASR。

output = canary_model.transcribe(
    ['path1.wav', 'path2.wav'],
    batch_size=16,  # 推理批大小
    pnc='yes',        # 生成带标点和大小写的输出
)

predicted_text_1 = output[0].text

canary-1b-flash还可以生成单词和片段级时间戳

output = canary_model.transcribe(
  ['filepath.wav'],
  timestamps='yes',  # 生成带时间戳的输出
)

predicted_text = output[0].text
word_level_timestamps = output[0].timestamp['word']
segment_level_timestamps = output[0].timestamp['segment']

对于超过10秒的音频文件，建议使用长格式推理脚本（下一节解释）和chunk_len_in_secs=10.0来生成时间戳。

要使用canary-1b-flash转录其他支持的语言或执行语音到文本翻译或提供单词级时间戳，将输入指定为jsonl清单文件，其中文件中的每一行是一个包含以下字段的字典：

# input_manifest.json中的一行示例
{
    "audio_filepath": "/path/to/audio.wav",  # 音频文件路径
    "source_lang": "en",  # 音频输入语言，设置`source_lang`==`target_lang`进行ASR，选项=['en','de','es','fr']
    "target_lang": "en",  # 文本输出语言，选项=['en','de','es','fr']
    "pnc": "yes",  # 是否包含PnC输出，选项=['yes', 'no']
    "timestamp": "yes", # 是否输出单词级时间戳，选项=['yes', 'no']
}

然后使用：

output = canary_model.transcribe(
    "<输入清单文件路径>",
    batch_size=16,  # 推理批大小
)

使用Canary-1B-flash进行长格式推理：

Canary模型设计用于处理小于40秒的输入音频。为了处理更长的音频，NeMo包含speech_to_text_aed_chunked_infer.py脚本，该脚本处理分块，对分块文件进行推理，并拼接转录。

该脚本将对audio_dir中的所有.wav文件进行推理。或者，您也可以传递如上所示的清单文件路径。解码输出将保存在output_json_path。

python scripts/speech_to_text_aed_chunked_infer.py \
    pretrained_name="nvidia/canary-1b-flash" \
    audio_dir=$audio_dir \
    output_filename=$output_json_path \
    chunk_len_in_secs=40.0 \
    batch_size=1 \
    decoding.beam.beam_size=1 \
    timestamps=False

注意对于带时间戳的长格式推理，建议使用chunk_len_in_secs为10秒。

输出:

输出类型: 文本
输出格式: 根据解码任务选择的文本输出（带时间戳）字符串
输出参数: 一维文本字符串
其他输出相关属性: 可能需要逆文本规范化；不处理特殊字符

软件集成:

运行时引擎:

• NeMo - 主分支
  

支持的硬件微架构兼容性:

• [NVIDIA Ampere]
  
• [NVIDIA Blackwell]
  
• [NVIDIA Jetson]
  
• [NVIDIA Hopper]
  
• [NVIDIA Lovelace]
  
• [NVIDIA Pascal]
  
• [NVIDIA Turing]
  
• [NVIDIA Volta]
  

[首选/支持]操作系统:

• [Linux]
  
• [Linux 4 Tegra]
  
• [Windows]
  

模型版本:

canary-1b-flash

训练和评估数据集:

训练数据集:

canary-1b-flash模型共训练了85K小时的语音数据。其中包括31K小时的公共数据，20K小时由Suno收集的数据，以及34K小时的内部数据。 以下数据集包括对话、网络视频和有声书录音。

数据收集方法:

• 人工
  

标注方法:

• 混合：人工、自动化
  

公共数据的组成部分如下。

英语 (25.5k小时)

• Librispeech 960小时
• Fisher语料库
• Switchboard-1数据集
• WSJ-0和WSJ-1
• 国家语音语料库（第一部分、第六部分）
• VCTK
• VoxPopuli (EN)
• Europarl-ASR (EN)
• 多语言Librispeech (MLS EN) - 2,000小时子集
• Mozilla Common Voice (v7.0)
• People's Speech - 12,000小时子集
• Mozilla Common Voice (v11.0) - 1,474小时子集

德语 (2.5k小时)

• Mozilla Common Voice (v12.0) - 800小时子集
• 多语言Librispeech (MLS DE) - 1,500小时子集
• VoxPopuli (DE) - 200小时子集

西班牙语 (1.4k小时)

• Mozilla Common Voice (v12.0) - 395小时子集
• 多语言Librispeech (MLS ES) - 780小时子集
• VoxPopuli (ES) - 108小时子集
• Fisher - 141小时子集

法语 (1.8k小时)

• Mozilla Common Voice (v12.0) - 708小时子集
• 多语言Librispeech (MLS FR) - 926小时子集
• VoxPopuli (FR) - 165小时子集

评估数据集:

数据收集方法:

• 人工
  

标注方法:

• 人工
  

自动语音识别:

• HuggingFace OpenASR Leaderboard评估集
• MLS
• [MCV] (https://commonvoice.mozilla.org/en/datasets)

自动语音翻译:

• FLEURS
• COVOST-v2
• mExpresso

时间戳预测:

• Librispeech

幻觉鲁棒性:

• MUSAN 48小时评估集

噪声鲁棒性:

• Librispeech

模型公平性:

• Casual Conversations Dataset

训练

Canary-1B-Flash使用NVIDIA NeMo框架[7]训练了总计200K步，采用2D分桶[1]并使用OOMptimizer[8]设置最佳批大小。模型在128个NVIDIA A100 80GB GPU上训练。 可以使用此[示例脚本](https://github.com/NVIDIA/NeMo/blob/main/examples/asr/speech_multit