懂AI
parakeet-tdt-1.1b

parakeet-tdt-1.1b

先进的FastConformer-TDT英语语音识别模型

parakeet-tdt-1.1b是NVIDIA NeMo和Suno.ai团队联合开发的英语语音识别模型。采用FastConformer-TDT架构，拥有11亿参数，在多个测试集上表现优异，LibriSpeech clean测试集词错误率为1.39%。可通过NeMo工具包轻松集成使用，适用于多种语音转文本场景。

模型HuggingfaceFastConformerGithub语音识别TDTNVIDIA开源项目NeMo
GitHubHugging Face论文文档

parakeet-tdt-1.1b项目介绍

parakeet-tdt-1.1b是一个由NVIDIA NeMo和Suno.ai团队联合开发的自动语音识别(ASR)模型。这是一个基于FastConformer-TDT架构的大规模模型,参数量达到了11亿。该模型专门用于将英语语音转录为小写英文字母文本。

模型特点

  • 采用FastConformer-TDT架构,结合了FastConformer和TDT的优势
  • 模型规模庞大,参数量达11亿
  • 专门针对英语语音识别优化
  • 支持16kHz采样率的单声道音频输入
  • 输出为小写英文字母的转录文本

模型架构

parakeet-tdt-1.1b采用了FastConformer-TDT架构:

  • FastConformer是Conformer模型的优化版本,使用8倍深度可分离卷积下采样
  • TDT (Token-and-Duration Transducer)是对传统Transducer的改进,通过解耦token和持续时间预测来提高效率
  • TDT可以跳过大多数空白预测,显著提升推理速度

训练数据

该模型在64,000小时的英语语音数据上进行训练,包括:

  • 40,000小时私有英语语音数据
  • 24,000小时公开数据集,如LibriSpeech、Fisher Corpus、Common Voice等

性能表现

在多个标准数据集上进行了评估,性能优异:

  • LibriSpeech test-clean: 1.39% WER
  • Common Voice: 5.97% WER
  • GigaSpeech: 9.55% WER

使用方法

可以通过NVIDIA NeMo工具包轻松使用该模型:

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecRNNTBPEModel.from_pretrained("nvidia/parakeet-tdt-1.1b")
asr_model.transcribe(['audio.wav'])

公平性评估

在CausalConversations-v1数据集上进行了公平性评估,结果显示:

  • 在性别方面,女性的WER(14.61%)略低于男性(17.18%)
  • 在年龄方面,各年龄段的WER相近,在15-16%之间

部署

虽然目前NVIDIA Riva还不支持该模型,但未来可能会支持在Riva平台上部署,以实现加速推理和企业级支持。

总的来说,parakeet-tdt-1.1b是一个强大的英语语音识别模型,在多个领域和场景下都表现出色,为语音应用开发提供了优秀的基础。

</SOURCE_TEXT>

编辑推荐精选

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
问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

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。

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。

下拉加载更多