🚀 鹦鹉螺TDT - CTC 0.6B（日语）

鹦鹉螺TDT - CTC 0.6B（日语）是一款自动语音识别模型，能够转录带标点的日语语音，由NVIDIA NeMo团队开发。

🚀 快速开始

要训练、微调或使用该模型，你需要安装 NVIDIA NeMo。我们建议你在安装最新版本的 PyTorch 之后再安装它。

pip install nemo_toolkit['asr']

✨ 主要特性

• parakeet-tdt_ctc-0.6b-ja 是一款能够转录带标点日语语音的自动语音识别模型。
• 它是混合 FastConformer TDT - CTC 模型的 XL 版本，约有 0.6B 个参数。

📦 安装指南

要训练、微调或使用该模型，你需要安装 NVIDIA NeMo。我们建议在安装最新版本的 PyTorch 之后再进行安装。

pip install nemo_toolkit['asr']

💻 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.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt_ctc-0.6b-ja")

高级用法

使用 Python 进行转录

output = asr_model.transcribe(['speech.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-0.6b-ja" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

📚 详细文档

输入

该模型接受 16000 Hz 的单声道音频（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。

模型架构

此模型采用混合 FastConformer - TDT - CTC 架构。

FastConformer 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 中找到有关 FastConformer 详细信息。

TDT（Token - and - Duration Transducer）是传统 Transducer 的推广，它通过解耦令牌和持续时间预测来实现。与传统 Transducer 在推理过程中会产生大量空白不同，TDT 模型可以利用持续时间输出（对于 parakeet-tdt_ctc-0.6b-ja 模型，最多可跳过 4 帧）跳过大部分空白预测，从而显著提高推理速度。有关 TDT 的详细信息，请参阅 Efficient Sequence Transduction by Jointly Predicting Tokens and Durations。

训练

该模型使用 NeMo 框架进行训练，训练脚本为 example script，基础配置为 base config。

模型在 32 个 NVIDIA A100 80GB GPU 上进行了 300k 步的训练，采用动态分桶和每 GPU 600s 的批量时长，然后在修改后的训练数据（CER > 10% 的训练样本的预测文本）上再微调 100k 步。

该模型使用 SentencePiece 分词器，包含 3072 个令牌，是使用训练集的文本转录通过 script 构建的。

数据集

该模型在包含超过 35k 小时自然日语语音的 ReazonSpeech v2.0 语音语料库上进行训练。

性能

以下表格总结了该模型在字符错误率（CER%）方面的性能。

在 CER 计算中，会去除标点符号和非字母字符，并使用 num2words 库 [6] 将数字转换为单词。

这些是没有外部语言模型的贪婪 CER 数值。

NVIDIA Riva：部署

NVIDIA Riva 是一个加速语音 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 还提供：

• 针对最常见语言的世界级开箱即用准确性，其模型检查点在专有数据上进行了数十万 GPU 计算小时的训练。
• 具有运行时单词增强（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定制的一流准确性。
• 流式语音识别、Kubernetes 兼容扩展和企业级支持。

尽管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

模型架构

此模型采用混合 FastConformer - TDT - CTC 架构。FastConformer 是 Conformer 模型的优化版本，具有 8 倍深度可分离卷积下采样。TDT（Token - and - Duration Transducer）是传统 Transducer 的推广，通过解耦令牌和持续时间预测，可显著提高推理速度。

训练过程

模型使用 NeMo 框架进行训练，在 32 个 NVIDIA A100 80GB GPU 上进行 300k 步训练，采用动态分桶和每 GPU 600s 的批量时长，后在修改后的训练数据上微调 100k 步。使用 SentencePiece 分词器，包含 3072 个令牌，通过训练集文本转录构建。

数据集

模型在 ReazonSpeech v2.0 语音语料库上训练，该语料库包含超过 35k 小时的自然日语语音。

📄 许可证

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

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] NVIDIA NeMo Framework [4] Google SentencePiece Tokenizer [5] ReazonSpeech v2.0 [6] num2words library - Convert numbers to words in multiple languages