一秒转写六十分钟录音英伟达开源语音识别模型登顶OpenASR

短短一秒钟，转写六十分钟录音？！

英伟达开源6亿参数的语音识别模型Parakeet TDT 0.6B V2，模型在HuggingFace Open-ASR榜单上以RTFx 3380的成绩登顶！

这款语音模型适用于多种需要语音转文字功能的场景，包括但不限于语音助手、会议记录、采访整理、字幕生成和客服质检……

它具有三个特点：

1、字级时间戳精准预测：每个单词的出现时间都能精确定位

2、智能标点与自动大写：口语转文字自动加句号逗号，自动首字母大写

3、超强特殊场景识别：口语数字准确转换、歌词转录都不在话下

画重点：该模型基于CC-BY-4.0协议开源，可以用于商业用途！

再来看一些技术层面的亮点：

- 采用FastConformer编码器+TDT解码器架构，可处理长达24分钟的音频片段

- 总训练数据量达12万小时，结合了人工标注和伪标注数据源，包括LibriSpeech、Fisher、YTC、YODAS等数据集。

- 可通过NVIDIA NeMo获取，针对GPU推理进行了优化，使用pip install -U nemo_toolkit['asr']命令即可安装。

- 兼容Linux系统，支持Ampere、Blackwell、Hopper、Volta GPU架构，最低需要2GB显存。

用于训练的Granary数据集还会在Interspeech 2025会议后公开。

需要提醒一下各位，想要训练、微调或体验这个模型，需要先安装NVIDIA NeMo框架。建议在安装最新版PyTorch后再进行安装哦~

Demo链接：

项目主页：