NVIDIA 發(fā)布了世界級的語音識別功能，可為企業(yè)生成高精度的轉(zhuǎn)錄本， NeMo 1.0 包括用于民主化和加速對話人工智能研究的最新語音和語言模型。

世界級語音識別

NVIDIA Riva 世界級語音識別是一種現(xiàn)成的語音服務(wù)，可以輕松部署在任何云或數(shù)據(jù)中心。企業(yè)可以使用 遷移學(xué)習(xí)工具包 （ TLT ）跨各種行業(yè)和用例定制語音服務(wù)。 通過 TLT ，開發(fā)人員可以將定制語音和語言模型的開發(fā)速度提高 10 倍。

語音識別模型是高度精確的，并在電信、金融、醫(yī)療保健、教育以及各種專有和開源數(shù)據(jù)集的領(lǐng)域無關(guān)詞匯上進(jìn)行訓(xùn)練。此外，它還接受了噪聲數(shù)據(jù)、多種采樣率（包括呼叫中心 8khz ）、各種口音和對話的訓(xùn)練，所有這些都有助于提高模型的準(zhǔn)確性。

使用 Riva 語音服務(wù)，您可以在 10 毫秒內(nèi)生成一個轉(zhuǎn)錄。它在多個專有數(shù)據(jù)集上進(jìn)行評估，準(zhǔn)確率超過 90% ，并且可以適應(yīng)各種各樣的用例和領(lǐng)域。它可以在幾個應(yīng)用程序中使用，例如在呼叫中心、視頻會議和虛擬助理中轉(zhuǎn)錄音頻。

T-Mobile 是美國最大的電信運營商之一，它利用 Riva 提供卓越的客戶服務(wù)。

T-Mobile 負(fù)責(zé)產(chǎn)品和技術(shù)的副總裁 Matthew Davis 說：“借助 NVIDIA Riva 服務(wù)，利用 T-Mobile 數(shù)據(jù)進(jìn)行微調(diào)，我們正在構(gòu)建產(chǎn)品，以幫助我們實時解決客戶問題?！?。

“在評估了幾種自動語音識別解決方案后， T-Mobile 發(fā)現(xiàn) Riva 能夠以極低的延遲提供高質(zhì)量的模型，實現(xiàn)客戶喜愛的體驗?！?/p>

您可以從 NGC 目錄 下載 Riva 語音服務(wù)，現(xiàn)在就開始構(gòu)建自己的轉(zhuǎn)錄應(yīng)用程序。

NeMo 1.0 版本

NVIDIA NeMo 是一個開源工具包，供研究人員開發(fā)最先進(jìn)的（ SOTA ）會話人工智能模型。它包括自動語音識別（ ASR ）、自然語言處理（ NLP ）和文本到語音（ TTS ）的集合，使研究人員能夠快速試驗新的 SOTA 神經(jīng)網(wǎng)絡(luò)，以便創(chuàng)建新的模型或在現(xiàn)有模型的基礎(chǔ)上進(jìn)行構(gòu)建。

PyTorch 與 NeMo 、 PyTorch Lightning 和 Hydra 框架緊密耦合。這些集成使研究人員能夠結(jié)合 PyTorch 和 PyTorch 閃電模塊開發(fā)和使用 NeMo 模型和模塊。此外，借助 Hydra 框架和 NeMo ，研究人員可以輕松定制復(fù)雜的會話人工智能模型。

此版本的亮點包括：

增加了對多種語言的語音識別支持，以及新的 CitriNet 和 Conformer CTC ASR 模型

從英語到西班牙語、俄語、普通話、德語和法語的五種語言支持雙向神經(jīng)機(jī)器翻譯模型

新的語音合成模型，如 Fastpitch 、 Talknet 、 Fastspeech2 ，以及端到端模型，如 Fastpitch + HiFiGAN 和 Fastspeech2 + HiFiGAN

用于自動執(zhí)行 反文本規(guī)范化和反規(guī)范化 以及 基于 CTC 分割的數(shù)據(jù)集生成 和 探索 語音數(shù)據(jù)集的功能

此外，大多數(shù) NeMo 模型可以導(dǎo)出到 NVIDIA Riva ，用于產(chǎn)品部署和高性能推斷。

關(guān)于作者

About Sirisha Rella是 NVIDIA 的技術(shù)產(chǎn)品營銷經(jīng)理，專注于計算機(jī)視覺、語音和基于語言的深度學(xué)習(xí)應(yīng)用。 Sirisha 獲得了密蘇里大學(xué)堪薩斯城分校的計算機(jī)科學(xué)碩士學(xué)位，是國家科學(xué)基金會大學(xué)習(xí)中心的研究生助理。

審核編輯：郭婷