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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多