/ Модель

Характеристики

Размер весов
49,1 МБ
Лицензия
CC BY 4.0
Библиотека
nemo
Опубликована
12 июн 2023

stt_en_conformer_ctc_small

Распознавание речиАудио → текст8 профессий

Небольшая модель NVIDIA на базе Conformer-CTC для транскрибации английской речи из монофонических аудиозаписей.

1 939скачиваний за 30 дней9лайковвеса обновлены27 фев 2025

Бенчмарки

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

Публичные оценки11

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

  • hf-audio/open-asr-leaderboard

    score · ниже — лучше

    Результат

    11,1588

    librispeech_clean_wer 3,59tedlium_wer 7,16spgispeech_wer 7,8
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • librispeech_asr

    wer · ниже — лучше

    Результат

    3,7

    Automatic Speech Recognition 8,1
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • wsj_0

    wer · ниже — лучше

    Результат

    3,3

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • tedlium

    WER · ниже — лучше

    Результат

    6,26 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • coraal_avg

    WER · ниже — лучше

    Результат

    29,06 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • wsj_1

    wer · ниже — лучше

    Результат

    4,8

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • facebook/multilingual_librispeech

    wer · ниже — лучше

    Результат

    11,3

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • earnings22

    WER · ниже — лучше

    Результат

    23,15 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • nsc_part_1

    wer · ниже — лучше

    Результат

    6,9

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • earnings21

    WER · ниже — лучше

    Результат

    16,44 %

    Open ASR

    Публичная таблицаревизия не подтверждена

  • mozilla-foundation/common_voice_6_1

    wer · ниже — лучше

    Результат

    15,7

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

NVIDIA Conformer-CTC Small (en-US) — модель распознавания английской речи, разработанная NVIDIA и обученная с помощью NeMo. Это небольшая нерекуррентная модель архитектуры Conformer с CTC-декодированием, примерно на 13 млн параметров. Она принимает монофонические WAV-записи с частотой дискретизации 16 кГц и преобразует речь в текст в нижнем регистре, используя английский алфавит, пробелы и апострофы.

Модель предназначена для транскрибации аудиозаписей, пакетной обработки файлов и использования в качестве предобученного чекпойнта для дообучения на других данных. Она совместима с NeMo и NVIDIA Riva; для повышения точности в Riva можно подключить внешнюю языковую модель. Обучение проводилось на нескольких тысячах часов английской речи из публичных корпусов. По опубликованным результатам WER составляет 3,7% на LibriSpeech test-clean и 8,1% на test-other при жадном декодировании.

Модель может хуже распознавать акцентную речь, технические термины и разговорные варианты, недостаточно представленные в обучающих данных. Лицензия — CC BY 4.0.

Сценарии применения

  • транскрибация английской речи из WAV-файлов
  • пакетная расшифровка аудиозаписей
  • создание субтитров и текстовых расшифровок на английском
  • дообучение распознавания речи на собственном англоязычном наборе данных
  • развёртывание английского ASR-сервиса с NVIDIA Riva

Ограничения

Качество может снижаться на акцентной речи, технической терминологии и разговорных вариантах, которые недостаточно представлены в обучающих данных.

Для каких профессий подходит8

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 Conformer-CTC Small (en-US)

| Model architecture | Model size | Language | Riva Compatible |

This model transcribes speech in lowercase English alphabet including spaces and apostrophes, and is trained on several thousand hours of English speech data. It is a non-autoregressive "small" variant of Conformer, with around 13 million parameters. See the model architecture section and NeMo documentation for complete architecture details. It is also compatible with NVIDIA Riva for production-grade server deployments.

Usage

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.

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']

Automatically instantiate the model

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModelBPE.from_pretrained("nvidia/stt_en_conformer_ctc_small")

Transcribing using Python

First, let's get a sample

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

Then simply do:

output = asr_model.transcribe(['2086-149220-0033.wav'])
print(output[0].text)

Transcribing many audio files

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py 
 pretrained_name="nvidia/stt_en_conformer_ctc_small" 
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

Input

This model accepts 16000 kHz Mono-channel Audio (wav files) as input.

Output

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

Model Architecture

Conformer-CTC model is a non-autoregressive variant of Conformer model [1] for Automatic Speech Recognition which uses CTC loss/decoding instead of Transducer. You may find more info on the detail of this model here: Conformer-CTC 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.

The checkpoint of the language model used as the neural rescorer can be found here. You may find more info on how to train and use language models for ASR models here: ASR Language Modeling

Datasets

All the models in this collection are trained on a composite dataset (NeMo ASRSET) comprising of several thousand hours of English speech:

  • 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 hours subset
  • Mozilla Common Voice (v7.0)

Note: older versions of the model may have trained on smaller set of datasets.

Performance

The list of the available models in this collection is shown in the following table. Performances of the ASR models are reported in terms of Word Error Rate (WER%) with greedy decoding.

VersionTokenizerVocabulary SizeLS test-otherLS test-cleanWSJ Eval92WSJ Dev93NSC Part 1MLS TestMLS DevMCV Test 6.1Train Dataset
1.6.0SentencePiece Unigram1288.13.73.34.86.911.310.115.7NeMo ASRSET 2.0

While deploying with NVIDIA Riva, you can combine this model with external language models to further improve WER. The WER(%) of the latest model with different language modeling techniques are reported in the following table.

Language ModelingTraining DatasetLS test-otherLS test-cleanComment
N-gram LMLS Train + LS LM Corpus6.02.6N=10, beam_width=128, n_gram_alpha=1.0, n_gram_beta=1.0
Neural Rescorer(Transformer)LS Train + LS LM Corpus6.02.4N=10, beam_width=128
N-gram + Neural Rescorer(Transformer)LS Train + LS LM Corpus5.22.2N=10, beam_width=128, n_gram_alpha=1.0, n_gram_beta=1.0

Limitations

Since this model was trained on publicly available speech datasets, the performance of this model might degrade for speech which includes technical terms, or vernacular that the model has not been trained on. The model might also perform worse for accented speech.

Deployment with NVIDIA Riva

For the best real-time accuracy, latency, and throughput, deploy the model with NVIDIA Riva, an accelerated speech AI SDK deployable on-prem, in all clouds, multi-cloud, hybrid, at the 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

Check out Riva live demo.

References

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
e5b9941

0 моделей