/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
parakeet_ctc · dense
Библиотека
nemo
Опубликована
28 дек 2023

parakeet-ctc-1.1b

Распознавание речиАудио → текст6 профессий

Parakeet CTC 1.1B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai.

194 тыс.скачиваний за 30 дней63лайкавеса обновлены5 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки25

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • Earnings22-Cleaned-AA-chunked

    WER · ниже — лучше

    Результат

    9,66 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • Voxpopuli-AA-Cleaned

    WER · ниже — лучше

    Результат

    3,24 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • hf-audio/open-asr-leaderboard

    score · ниже — лучше

    Результат

    7,3988

    librispeech_clean_wer 1,83librispeech_other_wer 3,51tedlium_wer 3,57
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • revdotcom/earnings22

    wer · ниже — лучше

    Результат

    13,69

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • SPGISpeech

    WER · ниже — лучше

    Результат

    3,53 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • earnings21

    WER · ниже — лучше

    Результат

    10,14 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • LS Other

    WER · ниже — лучше

    Результат

    3,23 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • AMI

    WER · ниже — лучше

    Результат

    14,76 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • librispeech_asr

    wer · ниже — лучше

    Результат

    3,54

    automatic-speech-recognition 1,83
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • facebook/voxpopuli

    wer · ниже — лучше

    Результат

    6,53

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • Voice Arena Monsoon

    WER · ниже — лучше

    Результат

    5,23 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • Gigaspeech-Cleaned

    WER · ниже — лучше

    Результат

    8,74 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • edinburghcstr/ami

    wer · ниже — лучше

    Результат

    15,62

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • Gigaspeech

    WER · ниже — лучше

    Результат

    8,88 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • Voxpopuli

    WER · ниже — лучше

    Результат

    6,29 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • AMI-Cleaned

    WER · ниже — лучше

    Результат

    12,23 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • LS Clean

    WER · ниже — лучше

    Результат

    1,52 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • kensho/spgispeech

    wer · ниже — лучше

    Результат

    4,2

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • speechcolab/gigaspeech

    wer · ниже — лучше

    Результат

    10,27

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • earnings22

    WER · ниже — лучше

    Результат

    14,46 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • coraal_avg

    WER · ниже — лучше

    Результат

    23,91 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • Earnings22

    WER · ниже — лучше

    Результат

    12,98 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • tedlium

    WER · ниже — лучше

    Результат

    3,23 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • LIUM/tedlium

    wer · ниже — лучше

    Результат

    3,54

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • mozilla-foundation/common_voice_9_0

    wer · ниже — лучше

    Результат

    9,02

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Она преобразует аудиозаписи в текст на английском языке, выдавая результат строчными буквами, и предназначена для транскрибации речи, локального вывода и последующего дообучения на других наборах данных.

Модель построена на архитектуре FastConformer CTC и содержит около 1,1 млрд параметров. Поддерживается английский язык; основная модальность — аудио с речью, выход — текстовая транскрипция. Модель доступна для использования через NVIDIA NeMo, Transformers и лёгкий нативный C++ runtime NeMo-Speech.cpp. В README приведены результаты оценки на различных англоязычных наборах данных: WER составляет от 1,83% на LibriSpeech clean до 15,62% на AMI Meetings.

Сильной стороной модели являются крупный размер и хорошие показатели распознавания на ряде стандартных тестов, а также возможность инференса и fine-tuning. Ограничения включают поддержку только английского языка и отсутствие в предоставленных данных сведений о максимальной длине контекста, устойчивости к шуму и требованиях к вычислительным ресурсам. Лицензия — CC BY 4.0.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Parakeet CTC 1.1B (en)

Model architecture | Model size | Language

parakeet-ctc-1.1b is an ASR model that transcribes speech in lower case English alphabet. This model is jointly developed by NVIDIA NeMo and Suno.ai teams. It is an XXL version of FastConformer CTC [1] (around 1.1B parameters) model. See the model architecture section and NeMo documentation for complete architecture details.

NVIDIA NeMo: Training

To train, fine-tune or play with the model you will need to install NVIDIA NeMo. We recommend you install it after you've installed latest PyTorch version.

pip install nemo_toolkit['all']

How to Use this Model

There are several ways to use this model. Choose the one that fits your needs.

Run locally with NeMo-Speech.cpp

NeMo-Speech.cpp provides a lightweight native C++ runtime for local inference with this model. After installing the runtime:

hf download nvidia/parakeet-ctc-1.1b \
  parakeet-ctc-1.1b.q8_0.gguf \
  --local-dir models

nemo-speech transcribe audio.wav \
  --model models/parakeet-ctc-1.1b.q8_0.gguf

See the NeMo-Speech.cpp documentation for more details.

NVIDIA NeMo

The model is available for use in the NeMo toolkit [3], and can be used as a pre-trained checkpoint for inference or for fine-tuning on another dataset. Moreover, you can now run Parakeet CTC natively with Transformers 🤗.

Automatically instantiate the model

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

Transcribing using NeMo

First, let's get a sample

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

Then simply do:

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

Transcribing using Transformers 🤗

Make sure to install transformers from source.

pip install git+https://github.com/huggingface/transformers
from transformers import pipeline

pipe = pipeline("automatic-speech-recognition", model="nvidia/parakeet-ctc-1.1b")
out = pipe("https://huggingface.co/datasets/hf-internal-testing/dummy-audio-samples/resolve/main/bcn_weather.mp3")
print(out)
from transformers import AutoModelForCTC, AutoProcessor
from datasets import load_dataset, Audio
import torch

device = "cuda" if torch.cuda.is_available() else "cpu"

processor = AutoProcessor.from_pretrained("nvidia/parakeet-ctc-1.1b")
model = AutoModelForCTC.from_pretrained("nvidia/parakeet-ctc-1.1b", dtype="auto", device_map=device)

ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
ds = ds.cast_column("audio", Audio(sampling_rate=processor.feature_extractor.sampling_rate))
speech_samples = [el['array'] for el in ds["audio"][:5]]

inputs = processor(speech_samples, sampling_rate=processor.feature_extractor.sampling_rate)
inputs.to(model.device, dtype=model.dtype)
outputs = model.generate(**inputs)
print(processor.batch_decode(outputs))
from transformers import AutoModelForCTC, AutoProcessor
from datasets import load_dataset, Audio
import torch

device = "cuda" if torch.cuda.is_available() else "cpu"

processor = AutoProcessor.from_pretrained("nvidia/parakeet-ctc-1.1b")
model = AutoModelForCTC.from_pretrained("nvidia/parakeet-ctc-1.1b", dtype="auto", device_map=device)

ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
ds = ds.cast_column("audio", Audio(sampling_rate=processor.feature_extractor.sampling_rate))
speech_samples = [el['array'] for el in ds["audio"][:5]]
text_samples = [el for el in ds["text"][:5]]

# passing `text` to the processor will prepare inputs' `labels` key
inputs = processor(audio=speech_samples, text=text_samples, sampling_rate=processor.feature_extractor.sampling_rate)
inputs.to(device, dtype=model.dtype)

outputs = model(**inputs)
outputs.loss.backward()

For more details about usage, the refer to Transformers' documentation.

Transcribing many audio files

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/parakeet-ctc-1.1b" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

Input

This model accepts 16000 Hz mono-channel audio (wav files) as input.

Output

This model provides transcribed speech as a string for a given audio sample.

Model Architecture

FastConformer [1] is an optimized version of the Conformer model with 8x depthwise-separable convolutional downsampling. The model is trained using CTC loss. You may find more information on the details of FastConformer here: Fast-Conformer Model.

Training

The NeMo toolkit [3] was used for training the models for over several hundred epochs. These model are trained with this example script and this base config.

The tokenizers for these models were built using the text transcripts of the train set with this script.

Datasets

The model was trained on 64K hours of English speech collected and prepared by NVIDIA NeMo and Suno teams.

The training dataset consists of private subset with 40K hours of English speech plus 24K hours from the following public datasets:

  • Librispeech 960 hours of English speech
  • Fisher Corpus
  • Switchboard-1 Dataset
  • WSJ-0 and WSJ-1
  • National Speech Corpus (Part 1, Part 6)
  • VCTK
  • VoxPopuli (EN)
  • Europarl-ASR (EN)
  • Multilingual Librispeech (MLS EN) - 2,000 hour subset
  • Mozilla Common Voice (v7.0)
  • People's Speech - 12,000 hour subset

Performance

The performance of Automatic Speech Recognition models is measuring using Word Error Rate. Since this dataset is trained on multiple domains and a much larger corpus, it will generally perform better at transcribing audio in general.

The following tables summarizes the performance of the available models in this collection with the CTC decoder. Performances of the ASR models are reported in terms of Word Error Rate (WER%) with greedy decoding.

VersionTokenizerVocabulary SizeAMIEarnings-22Giga SpeechLS test-cleanSPGI SpeechTEDLIUM-v3Vox PopuliCommon Voice
1.22.0SentencePiece Unigram102415.6213.6910.271.833.544.203.546.53

These are greedy WER numbers without external LM. More details on evaluation can be found at HuggingFace ASR Leaderboard

NVIDIA Riva: Deployment

NVIDIA Riva, is an accelerated speech AI SDK deployable on-prem, in all clouds, multi-cloud, hybrid, on edge, and embedded. Additionally, Riva provides:

  • World-class out-of-the-box accuracy for the most common languages with model checkpoints trained on proprietary data with hundreds of thousands of GPU-compute hours
  • Best in class accuracy with run-time word boosting (e.g., brand and product names) and customization of acoustic model, language model, and inverse text normalization
  • Streaming speech recognition, Kubernetes compatible scaling, and enterprise-grade support

Although this model isn’t supported yet by Riva, the list of supported models is here.
Check out Riva live demo.

References

[1] Fast Conformer with Linearly Scalable Attention for Efficient Speech Recognition

[2] Google Sentencepiece Tokenizer

[3] NVIDIA NeMo Toolkit

[4] Suno.ai

[5] HuggingFace ASR Leaderboard

Licence

License to use this model is covered by the CC-BY-4.0. By downloading the public and release version of the model, you accept the terms and conditions of the CC-BY-4.0 license.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Класс архитектуры
ParakeetForCTC
Ревизия весов
20e63a0

0 моделей