説明
NVIDIA Parakeetは、600百万パラメータを持つ高度な自動音声認識（ASR）モデルで、高品質な英語の文字起こしを提供するように設計されています。自動的な句読点、大文字、正確な単語レベルのタイムスタンプ予測をサポートしており、会話型AI、音声アシスタント、文字起こしサービスなど、さまざまなアプリケーションに適しています。
続きを読む
このモデルはFastConformerアーキテクチャに基づいており、TDTデコーダーを統合し、フルアテンションでトレーニングされています。これにより、最大24分のオーディオセグメントを一度のパスで効率的に文字起こしできます。バッチサイズ128でHF-Open-ASRリーダーボードでRTFx 3380を達成していますが、パフォーマンスはデータセットのオーディオの長さやバッチサイズによって異なる場合があります。
NVIDIA Parakeetは、商業用および非商業用の使用に対応しており、CC-BY-4.0ライセンスの下で提供されています。NVIDIA GPU加速システムでの実行に最適化されており、GPUコアやCUDAライブラリなどのハードウェアを活用して、CPUのみのソリューションに比べてトレーニングと推論の時間を短縮しています。
このモデルは、音声からテキストへの機能を必要とするアプリケーションを構築する開発者、研究者、学者、業界向けに設計されています。NeMoツールキットを使用してトレーニングされ、FastConformer SSLチェックポイントから初期化され、高品質な人間による文字起こしデータでファインチューニングされています。トレーニングデータセットには、さまざまなソースからの約120,000時間の英語音声データが含まれています。
NVIDIA Parakeetは、異なる信号対雑音比や電話スタイルのオーディオフォーマットにおいて堅牢なパフォーマンスを示します。Huggingface Open ASRリーダーボードデータセットを使用して評価され、平均で6.05%の単語誤り率（WER）を達成しています。このモデルはノイズに強く、さまざまなタイプのオーディオ入力に対して良好なパフォーマンスを発揮します。
- カテゴリーAIモデルとLLM
- 料金モデルオープンソース
- デプロイクラウド
- プラットフォームLinux
NVIDIA Parakeet ASRモデルのハイライト
600百万パラメータのASRモデル
自動句読点と大文字化
正確な単語レベルのタイムスタンプ予測
話された数字や歌詞に対する堅牢なパフォーマンス
TDTデコーダーを備えたFastConformerアーキテクチャ
最大24分のオーディオセグメントをサポート
HF-Open-ASRリーダーボードでのRTFx 3380
NVIDIA GPU加速システム向けに最適化
商業用および非商業用の使用
CC-BY-4.0ライセンス
NVIDIA Parakeet ASRモデルをはじめる
ページにアクセス: huggingface.co/nvidia/parakeet-tdt-0.6b-v2を訪問
モデルをロード: NeMoツールキットを使用して事前トレーニングされたモデルをロード
環境を設定: NVIDIA NeMoとPyTorchをインストール
統合: APIまたはCLIを使用して文字起こしタスクを実行
ファインチューニング: 追加のデータセットでモデルをカスタマイズ
NVIDIA Parakeet ASRモデルの使用例
- 会話型AI
- 音声アシスタント
- 文字起こしサービス
- 字幕生成
- 音声分析
