stt_en_conformer_transducer_xlarge

stt_en_conformer_transducer_xlarge

Conformer-Transducer模型的超大规模语音识别能力

Conformer-Transducer超大模型拥有600M参数,专为英语自动语音识别设计,以较低的字错误率(WER)脱颖而出。通过NVIDIA NeMo工具包训练,涵盖LibriSpeech、Mozilla Common Voice等多个数据集。模型支持Python调用,具备细化调优和批量处理功能,适合多种语音识别应用。虽然暂未兼容NVIDIA Riva,但其在英语语音处理方面表现卓越。

模型训练NVIDIA ConformerNVIDIA Riva自动语音识别模型Github开源项目语音转录Huggingface

stt_en_conformer_transducer_xlarge项目介绍

项目背景

stt_en_conformer_transducer_xlarge是一个以自动语音识别(ASR)为核心的项目,基于Conformer-Transducer模型架构。该模型专为英语语音转录优化,能够将音频转为由小写字母、空格和撇号组成的文本。

模型架构

这个模型属于Conformer-Transducer系列中的特大版本,拥有约6亿个参数。Conformer-Transducer是一种自回归模型,与常见的CTC损失不同,它采用了Transducer损失/解码策略。在语音识别任务中,其表现优异。

训练工具

为了训练、微调或试用此模型,用户需要安装NVIDIA的NeMo工具包,该工具包与Pytorch兼容。NeMo为用户提供了多种语音识别模型的训练脚本和配置文件。

数据集

stt_en_conformer_transducer_xlarge模型在多种公共数据集上进行了训练,包括但不限于:

  • Librispeech
  • Fisher Corpus
  • Switchboard-1
  • WSJ-0和WSJ-1
  • National Singapore Corpus
  • Mozilla Common Voice
  • Multilingual LibriSpeech
  • VCTK
  • VoxPopuli
  • People's Speech

这些多样化的数据集帮助模型在处理不同语音来源时表现稳定。

性能表现

该项目发布的模型在多个测试集上的表现如下,使用了贪婪解码进行评估:

  • LS test-other:WER为3.01
  • LS test-clean:WER为1.62
  • WSJ Eval92:WER为1.17
  • WSJ Dev93:WER为2.05
  • National Singapore Corpus Part 1:WER为5.70
  • Multilingual LibriSpeech Test:WER为5.32
  • Mozilla Common Voice Test 8.0:WER为6.46

WER(词错误率)是ASR模型的一项重要性能指标,值越低表示性能越好。

使用方法

用户可以在NeMo工具包中使用此模型作为预训练检测点,用于推理或微调。用户可以通过简单的Python代码立即调用该模型并进行音频转录。

输入与输出

模型接受16000 Hz单声道音频文件作为输入,输出为转录后的字符串文本。

项目限制

由于模型是基于公开语音数据集训练的,在处理特殊的技术术语或未曾训练过的方言时,性能可能会下降。口音重的语音数据也可能影响识别准确性。

部署选项

虽然目前该模型尚未被NVIDIA Riva支持,但其提供的情况下,Riva将允许用户将此类语音识别模型应用于各种应用场景中,如本地化部署、云服务或嵌入式设备中。

参考文献

该项目引用了多份技术文献和工具,如:

  1. Conformer: Convolution-augmented Transformer for Speech Recognition
  2. Google Sentencepiece Tokenizer
  3. NVIDIA NeMo Toolkit

使用许可

此模型的使用受到CC-BY-4.0许可协议的约束,下载或使用模型即视为接受此协议的条款。

编辑推荐精选

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多