Descripción
NVIDIA Parakeet es un modelo avanzado de reconocimiento automático de voz (ASR) que cuenta con 600 millones de parámetros, diseñado para ofrecer transcripciones en inglés de alta calidad. Soporta puntuación automática, capitalización y predicciones precisas de marcas de tiempo a nivel de palabra, lo que lo hace adecuado para diversas aplicaciones como IA conversacional, asistentes de voz y servicios de transcripción.
Leer más
El modelo se basa en la arquitectura FastConformer, integrando el decodificador TDT, y se entrena con atención completa. Esto permite la transcripción eficiente de segmentos de audio de hasta 24 minutos en una sola pasada. Logra un RTFx de 3380 en la tabla de clasificación HF-Open-ASR con un tamaño de lote de 128, aunque el rendimiento puede variar dependiendo de la duración del audio del conjunto de datos y el tamaño del lote.
NVIDIA Parakeet está listo para uso comercial y no comercial, regido por la licencia CC-BY-4.0. Está optimizado para funcionar en sistemas acelerados por GPU de NVIDIA, aprovechando hardware como núcleos de GPU y marcos de software como las bibliotecas CUDA para tiempos de entrenamiento e inferencia más rápidos en comparación con soluciones solo de CPU.
El modelo está destinado a desarrolladores, investigadores, académicos e industrias que construyen aplicaciones que requieren capacidades de conversión de voz a texto. Se entrena utilizando el kit de herramientas NeMo, inicializado desde un punto de control SSL de FastConformer y ajustado con datos transcritos por humanos de alta calidad. El conjunto de datos de entrenamiento incluye aproximadamente 120,000 horas de datos de voz en inglés de diversas fuentes.
NVIDIA Parakeet demuestra un rendimiento robusto en diferentes relaciones señal-ruido y formatos de audio estilo telefonía. Se evalúa utilizando los conjuntos de datos de la tabla de clasificación Huggingface Open ASR, logrando una tasa de error de palabras (WER) del 6.05% en promedio. El modelo está diseñado para ser robusto al ruido y funciona bien en varios tipos de entradas de audio.
- CategoríaModelos de IA y LLM
- Modelo de preciosCódigo abierto
- ImplementaciónNube
- PlataformasLinux
Aspectos destacados de Modelo ASR NVIDIA Parakeet
Modelo ASR de 600 millones de parámetros
Puntuación y capitalización automáticas
Predicciones precisas de marcas de tiempo a nivel de palabra
Rendimiento robusto en números hablados y letras de canciones
Arquitectura FastConformer con decodificador TDT
Soporta segmentos de audio de hasta 24 minutos
RTFx de 3380 en la tabla de clasificación HF-Open-ASR
Optimizado para sistemas acelerados por GPU de NVIDIA
Uso comercial y no comercial
Licencia CC-BY-4.0
Primeros pasos con Modelo ASR NVIDIA Parakeet
Acceder a la página: Visite huggingface.co/nvidia/parakeet-tdt-0.6b-v2
Cargar modelo: Utilice el kit de herramientas NeMo para cargar el modelo preentrenado
Configurar entorno: Instale NVIDIA NeMo y PyTorch
Integrar: Utilice API o CLI para tareas de transcripción
Ajustar: Personalice el modelo con conjuntos de datos adicionales
Casos de uso de Modelo ASR NVIDIA Parakeet
- IA Conversacional
- Asistentes de Voz
- Servicios de Transcripción
- Generación de Subtítulos
- Análisis de Voz
