语言:

• 英文 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-ASR
• 多语言LibriSpeech
• mozilla-foundation/common_voice_8_0
• MLCommons/peoples_speech 缩略图: 无 标签:
• 自动语音识别
• 语音
• 音频
• CTC
• FastConformer
• Transformer
• pytorch
• NeMo
• hf-asr-leaderboard 许可证: cc-by-4.0 小部件:
• 示例标题: Librispeech样本1 来源: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• 示例标题: Librispeech样本2 来源: https://cdn-media.huggingface.co/speech_samples/sample2.flac 模型索引:
• 名称: stt_en_fastconformer_ctc_xlarge 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: LibriSpeech (干净) 类型: librispeech_asr 配置: clean 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 1.8
  • 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: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 3.65
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: 多语言LibriSpeech 类型: facebook/multilingual_librispeech 配置: english 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 5.87
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: Mozilla Common Voice 7.0 类型: mozilla-foundation/common_voice_7_0 配置: en 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 7.73
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: 华尔街日报92 类型: wsj_0 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 1.32
  • 任务: 类型: 自动语音识别 名称: automatic-speech-recognition 数据集: 名称: 华尔街日报93 类型: wsj_1 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 2.42
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: 新加坡国家语料库 类型: nsc_part_1 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 6.60

NVIDIA FastConformer-CTC XLarge (英文)

| | |

该模型将语音转录为小写英文字母。 它是FastConformer CTC模型的"超大"版本（约6亿参数）。 完整架构细节请参见模型架构部分和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在其他数据集上进行微调。

自动实例化模型

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCTBPEModel.from_pretrained(model_name="nvidia/stt_en_fastconformer_ctc_xlarge")

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

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

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。该模型使用CTC损失进行训练。更多关于FastConformer的详细信息请参见：Fast-Conformer模型。

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通过此脚本构建。

数据集

该集合中的模型在包含数千小时英语语音的复合数据集（NeMo ASRSet En）上训练：

• Librispeech 960小时英语语音
• 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) - 2000小时子集
• Mozilla Common Voice (v7.0)
• People's Speech - 12000小时子集

性能

自动语音识别模型的性能使用词错误率衡量。由于该模型在多个领域和更大的语料库上训练，通常在一般音频转录中表现更好。

下表总结了该集合中可用模型与Transducer解码器的性能。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，性能可能会下降。对于有口音的语音，模型表现也可能较差。

NVIDIA Riva：部署

NVIDIA Riva是一个加速的语音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，针对最常见语言的模型检查点经过数百上千GPU计算小时的专有数据训练
• 最佳准确性，具有运行时词增强（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兼容的扩展和企业级支持

虽然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

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。