模型:

nvidia/stt_en_conformer_ctc_large

任务:

类库:

数据集:

librispeech_asr fisher_corpus Switchboard-1 WSJ-0 WSJ-1 National-Singapore-Corpus-Part-1 National-Singapore-Corpus-Part-6 vctk VoxPopuli-(EN) Europarl-ASR-(EN) Multilingual-LibriSpeech-(2000-hours) mozilla-foundation/common_voice_7_0 3Amozilla-foundation/common_voice_7_0 3AMultilingual-LibriSpeech-(2000-hours) 3AEuroparl-ASR-(EN) 3AVoxPopuli-(EN) 3Avctk 3ANational-Singapore-Corpus-Part-6 3ANational-Singapore-Corpus-Part-1 3AWSJ-1 3AWSJ-0 3ASwitchboard-1 3Afisher_corpus 3Alibrispeech_asr

语言:

其他:

speech audio CTC Conformer Transformer NeMo hf-asr-leaderboard Riva Eval Results

预印本库:

arxiv:2005.08100

许可:

cc-by-4.0

模型介绍文件清单

英文

NVIDIA Conformer-CTC Large（en-US）

| | | | |

该模型以小写英文字母（包括空格和撇号）进行语音转录，经过几千小时的英语语音数据训练。它是Conformer的非自回归“大”变体，具有约1.2亿个参数。有关完整的体系结构详细信息，请参见模型体系结构部分和 NeMo documentation 。它还与适用于生产级服务器部署的NVIDIA Riva兼容。

用法

该模型可在NeMo工具包[3]中使用，并可用作推断的预训练检查点或用于另一个数据集的微调。

要训练、微调或操作模型，您需要安装 NVIDIA NeMo 。我们建议在安装最新的PyTorch版本后再安装它。

pip install nemo_toolkit['all']

自动实例化模型

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

使用Python进行转录

首先，让我们拿一个样例

wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav

然后只需执行：

asr_model.transcribe(['2086-149220-0033.wav'])

转录多个音频文件

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

输入

该模型接受16000 kHz单声道音频（wav文件）作为输入。

输出

该模型提供给定音频样本的转录的字符串。

模型体系结构

Conformer-CTC模型是Conformer模型[1]的非自回归变体，用于自动语音识别，使用CTC损失/解码代替Transducer。您可以在此处找到有关此模型详细信息的更多信息： Conformer-CTC Model 。

训练

NeMo工具包[3]用于训练模型超过几百个epochs。这些模型是使用此 example script 和此 base config 进行训练的。

这些模型的标记器使用训练集的文本转录使用此 script 构建。请在此处找到有关如何训练和使用语言模型进行ASR模型的更多信息： ASR Language Modeling

数据集

此集合中的所有模型均使用一个复合数据集（NeMo ASRSET）进行训练，包括几千小时的英语语音：

Librispeech 960小时的英语语音
Fisher Corpus
Switchboard-1数据集
WSJ-0和WSJ-1
国家语音语料库（第1部分，第6部分）
VCTK
VoxPopuli（EN）
Europarl-ASR（EN）
多语言Librispeech（MLS EN）- 2000小时子集
Mozilla Common Voice（v7.0）

注意：旧版本的模型可能是在较小的数据集上训练的。

性能

此集合中可用模型的列表显示在下表中。ASR模型的性能以词错误率（WER%）和贪婪解码进行报告。

Version	Tokenizer	Vocabulary Size	LS test-other	LS test-clean	WSJ Eval92	WSJ Dev93	NSC Part 1	MLS Test	MLS Dev	MCV Test 6.1	Train Dataset
1.6.0	SentencePiece Unigram	128	4.3	2.2	2.0	2.9	7.0	7.2	6.5	8.0	NeMo ASRSET 2.0

在与 NVIDIA Riva 一起部署时，您可以将该模型与外部语言模型相结合，以进一步提高WER。最新模型使用不同语言建模技术的WER（%）如下表所示。

Language Modeling	Training Dataset	LS test-other	LS test-clean	Comment
N-gram LM	LS Train + LS LM Corpus	3.5	1.8	N=10, beam_width=128, n_gram_alpha=1.0, n_gram_beta=1.0
Neural Rescorer(Transformer)	LS Train + LS LM Corpus	3.4	1.7	N=10, beam_width=128
N-gram + Neural Rescorer(Transformer)	LS Train + LS LM Corpus	3.2	1.8	N=10, beam_width=128, n_gram_alpha=1.0, n_gram_beta=1.0

限制

由于该模型是在公开可用的语音数据集上训练的，因此对于包含技术术语或模型未经训练的方言的语音，该模型的性能可能会下降。对于带口音的语音，该模型的性能也可能较差。

使用NVIDIA Riva进行部署

要实现最佳的实时准确性、延迟和吞吐量，请使用 NVIDIA Riva 将该模型与加速的语音AI SDK一起部署，并可在本地、所有云、多云、混合云、边缘和嵌入式环境中使用。此外，Riva还提供：

具有专有数据训练的模型检查点，针对最常见的语言提供一流的开箱即用准确性，使用了数十万个GPU计算小时
具有运行时词增强（例如品牌和产品名称）以及配置声学模型、语言模型和逆文本规范化的最佳准确性
流式语音识别、与Kubernetes兼容的扩展性和企业级支持

请查看 Riva live demo 。

参考文献

.hf-sanitized.hf-sanitized-C5UT4nOM8X2FAPRLZooei img {display: inline;}

作者:

NVIDIA

数据集大小:

430.58 MB