Dieses Tutorial verwendet eine einzelne RTX 4090-Rechenressource und das Modell unterstützt nur die englische Spracherkennung.
Parakeet-tdt-0.6b-v2 ist ein leistungsstarkes Modell zur automatischen Spracherkennung (ASR) mit 600 Millionen Parametern, das im Mai 2025 von NVIDIA als Open Source veröffentlicht wurde. Es ist die neueste Version der Parakeet-Reihe. Das Modell basiert auf der FastConformer-Encoder-Architektur und dem TDT-Decoder und kann bis zu 24 Minuten englische Audioclips auf einmal effizient transkribieren. Dieses Modell konzentriert sich auf hochpräzise englische Sprachtranskriptionsaufgaben mit geringer Latenz und eignet sich für englische Sprach-zu-Text-Szenarien in Echtzeit (wie Kundendienstgespräche, Besprechungsprotokolle, Sprachassistenten usw.). Die relevanten Papierergebnisse sindSchneller Konformer mit linear skalierbarer Aufmerksamkeit für effiziente Spracherkennung".
2. Bedienungsschritte
1. Starten Sie den Container
Wenn „Bad Gateway“ angezeigt wird, bedeutet dies, dass das Modell initialisiert wird. Da das Modell groß ist, warten Sie bitte etwa 1–2 Minuten und aktualisieren Sie die Seite.
2. Nutzen Sie die Demonstration
Bei Verwendung des Safari-Browsers wird Audio möglicherweise nicht direkt wiedergegeben.
Dieses Tutorial unterstützt nicht nur das Hochladen von Sprachdateien, sondern auch die Spracheingabe.
Erkennungsergebnisse können als CSV-Dateien gespeichert werden
3. Diskussion
🖌️ Wenn Sie ein hochwertiges Projekt sehen, hinterlassen Sie bitte im Hintergrund eine Nachricht, um es weiterzuempfehlen! Darüber hinaus haben wir auch eine Tutorien-Austauschgruppe ins Leben gerufen. Willkommen, Freunde, scannen Sie den QR-Code und kommentieren Sie [SD-Tutorial], um der Gruppe beizutreten, verschiedene technische Probleme zu besprechen und Anwendungsergebnisse auszutauschen ↓
Projektunterstützung
Dank an den Github-Benutzer SuperYang Bereitstellung dieses Tutorials.
