懂AI
parakeet-ctc-1.1b

parakeet-ctc-1.1b

高效自动语音识别模型，快速完成语音转录

parakeet-ctc-1.1b是由NVIDIA NeMo和Suno.ai团队开发的ASR模型，采用FastConformer架构，参数量约11亿。该模型适用于16kHz单声道音频，可以转录语音为小写英文。经过多数据集测试，字错率表现优异，如LibriSpeech clean数据集WER为1.83。利用NVIDIA NeMo工具包，该模型可用于推理或微调，适合多领域音频转录。

Github模型FastConformer开源项目词错误率NeMopytorch自动语音识别Huggingface
GitHubHugging Face论文文档

Parakeet-CTC-1.1b 项目介绍

项目背景

Parakeet-CTC-1.1b 是一个自动语音识别（ASR）模型，能够将语音转换为小写英文文本。这个模型由 NVIDIA NeMo 和 Suno.ai 团队合作开发，是一款 XXL 版本的 FastConformer CTC 模型，包含约 11 亿个参数。

模型架构

Parakeet-CTC-1.1b 采用了 FastConformer 架构，这是一种经过优化的 Conformer 模型，具有 8 倍深度可分离卷积下采样。模型的训练使用了 CTC 损失函数。

数据集

本模型的训练数据包含 64,000 小时的英语语音数据，这些数据由 NVIDIA NeMo 和 Suno 团队收集和整理。其中包括了 40,000 小时的私有英语语音数据以及 24,000 小时来自以下公开数据集：

  • Librispeech
  • Fisher Corpus
  • Switchboard-1
  • WSJ-0 和 WSJ-1
  • National Speech Corpus（部分）
  • VCTK
  • VoxPopuli
  • Europarl-ASR
  • Multilingual Librispeech
  • Mozilla Common Voice
  • 人民语音

性能表现

自动语音识别模型的性能通常使用词错误率（WER）来衡量。Parakeet-CTC-1.1b 在多种测试集上的表现如下：

  • AMI（会议测试）：WER 15.62
  • Earnings-22：WER 13.69
  • GigaSpeech：WER 10.27
  • LibriSpeech (clean)：WER 1.83
  • SPGI Speech：WER 4.2
  • TEDLIUM-v3：WER 3.54
  • Vox Populi：WER 6.53
  • Mozilla Common Voice 9.0：WER 9.02

这些结果展示了模型在不同领域和大规模数据集上的优异表现。

模型使用

要使用 Parakeet-CTC-1.1b 模型进行语音识别，可以首先安装 NVIDIA NeMo 工具包，并使用以下 Python 代码加载预训练模型：

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained(model_name="nvidia/parakeet-ctc-1.1b")

输入应为 16000 Hz 的单声道音频（wav 文件），输出为该音频样本的转录文本。

许可证

该模型的使用受 CC-BY-4.0 授权协议约束。下载和使用公共发布版本的模型，表示接受该授权协议的条款和条件。

参考资料

Parakeet-CTC-1.1b 项目的推出展示了语音识别技术领域的持续进步，无论是在模型复杂度还是数据规模上都达到了更高的水平，使得更加准确和快速的语音转录成为可能。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目，它利用结构化 3D 潜在表示技术，实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具，包括文本到 3D、图像到 3D 等，并且支持多种输出格式，如 3D 高斯、辐射场和网格等。通过 TRELLIS，用户可以根据文本描述或图像输入快速生成高质量的 3D 资产，适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目，提供 10 节课程，涵盖构建 AI 代理的必备知识，支持多种语言，包含规划设计、工具使用、多代理等丰富内容，助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

下拉加载更多