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，可以輕松部署在任何云或數(shù)據(jù)中心。企業(yè)可以使用 遷移學習工具包 （ TLT ）跨各種行業(yè)和用例定制語音服務。 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)集的領域無關詞匯上進行訓練。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練，所有這些都有助于提高模型的準確性。

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

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。

T-Mobile 負責產品和技術的副總裁 Matthew Davis 說：“借助 NVIDIA Riva 服務，利用 T-Mobile 數(shù)據(jù)進行微調，我們正在構建產品，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量的模型，實現(xiàn)客戶喜愛的體驗。”

您可以從 NGC 目錄 下載 Riva 語音服務，現(xiàn)在就開始構建自己的轉錄應用程序。

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 神經網(wǎng)絡，以便創(chuàng)建新的模型或在現(xiàn)有模型的基礎上進行構建。

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機器翻譯模型

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 模型可以導出到 NVIDIA Riva ，用于產品部署和高性能推斷。

關于作者

About Sirisha Rella是 NVIDIA 的技術產品營銷經理，專注于計算機視覺、語音和基于語言的深度學習應用。 Sirisha 獲得了密蘇里大學堪薩斯城分校的計算機科學碩士學位，是國家科學基金會大學習中心的研究生助理。

審核編輯：郭婷