/ Модель

Характеристики

Размер весов
452 МБ
Лицензия
Своя лицензия
Библиотека
nemo
Опубликована
28 мая 2025

parakeet-rnnt-110m-da-dk

Распознавание речиАудио → текст7 профессий

Модель NVIDIA на основе FastConformer и RNN-T преобразует датскую речь в текст.

588скачиваний за 30 дней22лайкавеса обновлены19 окт 2025

Бенчмарки

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

Публичные оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

NVIDIA Parakeet-RNNT 110M Danish — модель автоматического распознавания речи с 110 млн параметров для преобразования датской речи в текст. Она предназначена для транскрибирования аудиозаписей и интеграции в приложения распознавания речи.

Модель использует архитектуру FastConformer с предсказательной сетью LSTM и обучена с функцией потерь RNN-T. На вход подаётся монофоническое аудио с частотой 16 кГц, на выходе — строка с распознанным текстом. В README приведены оценки WER от 8,8% до 10,7% на датских тестовых наборах при жадном декодировании без внешней языковой модели. Для работы используется NVIDIA NeMo; модель оптимизирована для систем с GPU NVIDIA.

Модель подходит для коммерческого и некоммерческого использования согласно README. В метаданных указана лицензия other, поэтому перед внедрением следует проверить применимые условия распространения и использования. Качество может зависеть от акустики, акцента и соответствия аудио обучающим данным; заявленные оценки относятся к указанным наборам и настройке декодирования.

Сценарии применения

  • транскрибация датских аудиозаписей
  • распознавание датской речи в голосовых приложениях
  • создание текстовых стенограмм датских выступлений
  • расшифровка датских заседаний и парламентских записей

Ограничения

Модель рассчитана на датскую речь и принимает монофоническое аудио с частотой 16 кГц. Приведённые оценки получены жадным декодированием без внешней языковой модели и могут не отражать качество на других данных и условиях записи.

Для каких профессий подходит7

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

NVIDIA Parakeet-RNNT 110M (Danish)

parakeet-rnnt-110m-da-dk

Description:

parakeet-rnnt-110m-da-dk is a 110-million-parameter automatic speech recognition (ASR) model trained to transcribe Danish speech.

This model uses the FastConformer architecture trained with RNN-T (RNN-Transducer) loss.

For more information, refer to the NeMo documentation.

This model is ready for commercial/non-commercial use.

License/Terms of Use:

GOVERNING TERMS: Use of this model is governed by the NVIDIA Open Model License Agreement (found at https://www.nvidia.com/en-us/agreements/enterprise-software/nvidia-open-model-license/).

Deployment Geography:

Global

Use Case:

Performing speech-to-text transcription in Danish language

Release Date:

Huggingface 10/15/25 via https://huggingface.co/nvidia/parakeet-rnnt-110m-da-dk/tree/main

References:

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

[2] NVIDIA NeMo Toolkit

Model Architecture:

Architecture Type: Transducer model Network Architecture: FastConformer encoder and LSTM prediction network

Input

Input Type(s): Audio Input Format(s): 16000 Hz mono-channel Input Parameters: 1D

Output

Output Type(s): Text Output Format: string Output Parameters: 1D Other Properties Related to Output: Not applicable

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

Our AI models are designed and/or optimized to run on NVIDIA GPU-accelerated systems. By leveraging NVIDIA’s hardware (e.g. GPU cores) and software frameworks (e.g., CUDA libraries), the model achieves faster training and inference times compared to CPU-only solutions.

Software Integration:

  • NeMo-2.5

Supported Hardware Microarchitecture Compatibility:

  • NVIDIA Ampere
  • NVIDIA Blackwell
  • NVIDIA Hopper

Preferred Operating System(s):

Linux

Model Version:

1.0

Training and Evaluation Datasets:

The total size: ~10000 hours Total number of datasets: 3

Training datasets

Link: CoRal (read aloud part)

  - Data Collection Method by Dataset: Human
  - Labeling Method by Dataset: Human
  - Properties: read aloud Danish speech

Link: Mozilla Common Voice v17

  - Data Collection Method by Dataset: Human
  - Labeling Method by Dataset: Automated
  - Properties: sentences recorded by different people

Link: Granary Danish a cleaned version of Danish part of MOSEL

  - Data Collection Method by Dataset: Human
  - Labeling Method by Dataset: Automated
  - Properties: EU Parlament sessions

Evaluation Datasets

Link: CoRal (read aloud part)

  - Data Collection Method by Dataset: Human
  - Labeling Method by Dataset: Human
  - Properties: read aloud Danish speech

Link: Mozilla Common Voice v17

  - Data Collection Method by Dataset: Human
  - Labeling Method by Dataset: Automated
  - Properties: sentences recorded by different people

Link: FLEURS

  - Data Collection Method by Dataset: Human
  - Labeling Method by Dataset: Human
  - Properties: sentences recorded by different people

Performance

The table below summarizes the WER (%) of this model using RNN-T decoder with greedy decoding:

DatasetWER (%)
CoRal Test10.7
MCV v178.8
Google FLEURS10.6

These WER scores were obtained using greedy decoding without an external language model.

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.

Inference

Acceleration Engine: Not Applicable Test Hardware: NVIDIA RTX 6000

Ethical Considerations:

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their internal model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse.

Please report security vulnerabilities or NVIDIA AI Concerns here.

How to Use this Model

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']

Alternatively, you can use a Docker container. The code below was verified to work with NeMo Framework 25.09.

Automatically instantiate the model

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.ASRModel.from_pretrained(model_name="nvidia/parakeet-rnnt-110m-da-dk")

Transcribing using Python

Assuming you have an audio file with Danish speech simply do:

output = asr_model.transcribe(['danish_audio.wav'])
print(output[0])

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.

Ревизия весов
ea77aca

0 моделей