Nemotron ASR Streaming Farsi Podcast
стриминговая расшифровка разговорного персидского
2 мин чтенияобновлено
Модель от MohammadGholizadeh для ASR на персидском (fa). Это дообучение mehdi-hf/nemotron-asr-streaming-farsi на 365,3 часах подкастной речи; архитектура та же — cache-aware FastConformer + RNN-T на 600M параметров, токенизатор на 1 024 элемента и промпт fa-IR.
Ключевые особенности
- Заточена под подкасты и разговорную речь: WER 12,3% против 16,4% у базовой модели при look-ahead 1,12 с.
- Работает потоково чанками или с целыми файлами; доступны 1,12 с и 0,32 с look-ahead.
- Пишет в разговорном стиле (
رو,هستن,میخوایم), без пунктуации, числа словами, без латиницы. - Интерфейс как у базовой модели: NeMo checkpoint
.nemo, промптfa-IRобязателен. - Для формальной/читаемой речи хуже базовой: FLEURS 12,91% против 8,82% WER.
Пример
from huggingface_hub import hf_hub_download
from nemo.collections.asr.models import ASRModel
path = hf_hub_download("MohammadGholizadeh/nemotron-asr-streaming-farsi-podcast",
"nemotron-asr-streaming-farsi-podcast.nemo")
model = ASRModel.restore_from(path).eval()
model.encoder.set_default_att_context_size([56, 13]) # 1.12 s; [56, 3] для 0.32 s
model.set_inference_prompt("fa-IR")
Подробнее
Потоковый WER на подкастах: 12,31% при 1,12 с look-ahead и 13,54% при 0,32 с; у базовой — 16,44% и 18,08%.Обучение: 365,3 ч, 5 000 шагов, LR 3e-5, 1× NVIDIA GH200 (96 GB), 2 ч 46 мин. В репозитории только NeMo checkpoint, без весов Transformers.
Ограничения: тест — 5 эпизодов, возможны пропуски окончаний и циклы повторения на длинных формальных фразах; на новых ведущих выигрыш может быть меньше.










Комментарии