NVIDIA Conformer-Transducer Large (Russian)

| | |

该模型将语音转录为小写的西里尔字母，包括空格，训练数据包括约1636小时的俄语语音数据。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 NeMo documentation 。

用法

该模型可用于 NeMo 工具包[3]中，可用作预训练的检查点进行推断或在其他数据集上进行微调。

要训练、微调或使用该模型，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.EncDecRNNTBPEModel.from_pretrained("nvidia/stt_ru_conformer_transducer_large")

使用 Python 进行转录

只需执行以下操作：

asr_model.transcribe(['<your_audio>.wav'])

转录多个音频文件

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

输入

该模型接受16 kHz 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的语音字符串。

模型架构

Conformer-Transducer 模型是Conformer模型[1]的一种自回归变体，用于自动语音识别，使用了转录器损失/解码。有关该模型的详细信息，请参见 Conformer-Transducer Model 。

训练

使用 NeMo 工具包[3] 对模型进行了数百个 epoch 的训练。这些模型是使用此 example script 和此 base config 进行训练的。

我们使用的词汇表包含 33 个字符：

[' ', 'а', 'б', 'в', 'г', 'д', 'е', 'ж', 'з', 'и', 'й', 'к', 'л', 'м', 'н', 'о', 'п', 'р', 'с', 'т', 'у', 'ф', 'х', 'ц', 'ч', 'ш', 'щ', 'ъ', 'ы', 'ь', 'э', 'ю', 'я']

在预处理过程中，稀有带变音符号的符号被替换。

这些模型的分词器是使用训练集的文本转录进行构建的，使用了此 script 。

数据集

此系列中的所有模型都是使用组合数据集（NeMo ASRSET）进行训练的，该数据集包含超过1000小时的俄语语音：

• Mozilla Common Voice 10.0（俄语）- 训练子集[28小时]
• Golos - 众包 [1070小时] 和 fairfield [111小时] 子集
• 俄语 LibriSpeech（RuLS）[92小时]
• SOVA - RuAudiobooksDevices [260小时] 和 RuDevices [75小时] 子集

性能

此集合中可用模型的列表如下表所示。ASR 模型的性能以词错误率（WER%）进行报告，使用贪婪解码进行解码。

限制

由于该模型是使用公开可用的语音数据集进行训练的，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降低。对于带有口音的语音，模型的性能也可能较差。

使用 NVIDIA Riva 进行部署

NVIDIA Riva 是一种加速的语音 AI SDK，可在本地部署，在所有云端、多云端、混合云、边缘和嵌入式设备上部署。此外，Riva 还提供以下功能：

• 使用在专有数据上训练的模型检查点，在最常见的语言中提供世界一流的开箱即用准确性，耗费了数十万个 GPU 计算小时
• 最佳准确性，支持运行时单词提升（例如品牌和产品名称）以及自定义声学模型、语言模型和逆文本规范化
• 流式语音识别、兼容 Kubernetes 的扩展能力和企业级支持

虽然此模型目前尚不受 Riva 支持，但可以使用 list of supported models is here 进行自定义部署。请查看 Riva live demo 。

引用

• [1] Conformer: Convolution-augmented Transformer for Speech Recognition

• [2] Google Sentencepiece Tokenizer

• [3] NVIDIA NeMo Toolkit