语言:

• 西班牙语 库名称: nemo 数据集:
• Fisher
• VoxPopuli
• facebook/multilingual_librispeech
• mozilla-foundation/common_voice_7_0 缩略图: null 标签:
• 自动语音识别
• 语音
• 音频
• 传感器
• 康福默
• 变压器
• pytorch
• NeMo
• hf-asr排行榜 许可证: cc-by-4.0 模型索引:
• 名称: stt_es_conformer_transducer_large 结果:
  • 任务: 类型: 自动语音识别 名称: 语音识别 数据集: 名称: common-voice-7-0-6 类型: mozilla-foundation/common_voice_7_0 配置: es 分割: dev 参数: 语言: es 指标:
    • 名称: 开发集WER 类型: wer 值: 4.6
  • 任务: 类型: 自动语音识别 名称: 语音识别 数据集: 名称: common-voice-7-0-6 类型: mozilla-foundation/common_voice_7_0 配置: es 分割: test 参数: 语言: es 指标:
    • 名称: 测试集WER 类型: wer 值: 5.2
  • 任务: 类型: 自动语音识别 名称: 自动语音识别 数据集: 名称: 多语言LibriSpeech 类型: facebook/multilingual_librispeech 配置: 西班牙语 分割: dev 参数: 语言: es 指标:
    • 名称: 开发集WER 类型: wer 值: 2.7
  • 任务: 类型: 自动语音识别 名称: 自动语音识别 数据集: 名称: 多语言LibriSpeech 类型: facebook/multilingual_librispeech 配置: 西班牙语 分割: test 参数: 语言: es 指标:
    • 名称: 测试集WER 类型: wer 值: 3.2

NVIDIA康福默-传感器大型模型（西班牙语）

| | |

该模型转录包含空格的小写西班牙语字母的语音，并在包含1340小时西班牙语语音的复合数据集上训练。它是康福默-传感器模型的“大型”变体，约1.2亿参数。 有关完整架构详情，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Pytorch后安装。

pip install nemo_toolkit['all']

如何使用此模型

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微调其他数据集。

自动实例化模型

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

使用Python转录

首先，获取样本

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

输入

该模型接受16000 Hz单声道音频（wav文件）作为输入。

输出

该模型为给定音频样本提供转录语音字符串。

模型架构

康福默-传感器模型是用于自动语音识别的康福默模型[1]的自回归变体，使用传感器损失/解码而非CTC损失。您可在此处找到有关该模型更多详细信息：康福默-传感器模型。

训练

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

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均在包含1340小时西班牙语语音的复合数据集（NeMo ASRSET）上训练：

• Mozilla Common Voice 7.0（西班牙语） - 数据清洗后289小时
• 多语言LibriSpeech（西班牙语） - 数据清洗后801小时
• Voxpopuli转录子集（西班牙语） - 数据清洗后110小时
• Fisher数据集（西班牙语） - 数据清洗后140小时

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。

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，其性能可能下降。对于口音语音，模型表现也可能较差。

NVIDIA Riva：部署

NVIDIA Riva，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：

• 世界级的开箱即用准确性，针对最常见语言，模型检查点基于数百上千GPU计算小时的专有数据训练
• 最佳准确性，运行时词增强（如品牌和产品名称）以及声学模型、语言模型和逆文本归一化的定制
• 流式语音识别、Kubernetes兼容扩展和企业级支持

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] 康福默：用于语音识别的卷积增强变压器
• [2] 谷歌Sentencepiece分词器
• [3] NVIDIA NeMo工具包

许可证

使用此模型的许可证涵盖CC-BY-4.0。通过下载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。