parakeet-tdt_ctc-110m
流畅高效的FastConformer TDT-CTC语音识别解决方案
该模型融合FastConformer与TDT-CTC架构，专为英文语音识别而优化，支持转录标点和大写字母。以高效架构处理长达20分钟音频数据，通过NVIDIA NeMo和Suno团队训练，在多个基准数据集中表现优异。通过NeMo工具包，预训练检查点便于进行模型推理或微调。
parakeet-tdt_ctc-110m项目介绍
项目背景
parakeet-tdt_ctc-110m 是一个自动语音识别（ASR）模型，能够将语音转录为带有标点符号和英文大写字母的文本。该项目由NVIDIA NeMo和Suno.ai团队联合开发。这是一个约有114M参数的大型混合 FastConformer TDT-CTC 模型。
模型架构
该模型采用了混合型 FastConformer-TDT-CTC 架构。FastConformer 是 Conformer 模型的优化版本，具备8倍深度可分离卷积下采样功能。这使得该模型可以在一次处理长达20分钟的音频。其实时传输值（RTFx）在所有数据集中都表现异常快速，平均RTFx可达到大约5300。
训练数据集
模型的训练数据来源于多个数据集，总计36,000小时的英语语音数据。这些数据包括NVIDIA NeMo和Suno团队收集的27,000小时私有子集及9,000小时的公共数据集，如Librispeech、Fisher Corpus、National Speech Corpus Part 1、VCTK、VoxPopuli、Europarl-ASR、Multilingual Librispeech（MLS EN）以及Mozilla Common Voice等。
性能表现
parakeet-tdt_ctc-110m被评估在多个流行的数据集上，其表现以词错误率（WER）衡量，具体如下：
- AMI (Meetings test): WER 15.88
- Earnings-22: WER 12.42
- GigaSpeech: WER 10.52
- LibriSpeech (clean): WER 2.4
- SPGI Speech: WER 2.54
- tedlium-v3: WER 4.16
- Vox Populi: WER 6.91
模型使用
此模型可在NeMo工具包中使用，作为预训练检查点进行推理或在其他数据集上微调。用户可以轻松地通过Python代码调用预训练模型，支持对单个或多个音频文件进行转录。
部署
虽然该模型目前尚未得到NVIDIA Riva的支持，但Riva是一个加速的语音AI SDK，可以在各种云环境和设备上部署。Riva提供高级语音识别、流媒体支持以及企业级服务。
许可证
此模型的使用许可证为CC-BY-4.0，下载和使用模型即表示您接受该许可证的条款和条件。
通过结合各种先进的技术和丰富的数据集，parakeet-tdt_ctc-110m为用户提供了强大而灵活的自动语音识别解决方案。
编辑推荐精选
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。
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。
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
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。
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。
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
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
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。
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 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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号