英偉達 Parakeet TDT 0.6B 成開(kāi)源 ASR 新王：1秒轉錄60分鐘音頻

5 月 7 日消息，科技媒體 marktechpost 昨日（5 月 6 日）發(fā)布博文，報道稱(chēng)英偉達最新推出 Parakeet TDT 0.6B，是一款先進(jìn)的自動(dòng)語(yǔ)音識別（ASR）模型，已在 Hugging Face 平臺上完全開(kāi)源。

Parakeet TDT 0.6B 的核心優(yōu)勢在于其無(wú)與倫比的速度和轉錄質(zhì)量。該模型僅需 1 秒即可處理 60 分鐘音頻，是現有主流開(kāi)源 ASR 典型模型速度的 50 倍。

在 Hugging Face 的 Open ASR Leaderboard 上，其字錯率（WER）低至 6.05%，成為開(kāi)源模型中的佼佼者。這一性能為實(shí)時(shí)轉錄、語(yǔ)音分析、呼叫中心智能和音頻內容索引等企業(yè)級應用提供了強大支持。

該模型基于 Transformer 架構，結合高質(zhì)量轉錄數據進(jìn)行微調，并針對英偉達硬件優(yōu)化推理。

援引博文介紹，該模型關(guān)鍵特性包括：6 億參數的編碼-解碼結構、量化和融合內核以提升推理效率、支持 TDT（Transducer Decoder Transformer）架構，以及精確的時(shí)間戳、數字格式化和標點(diǎn)恢復功能。

此外，該模型還開(kāi)創(chuàng )性地支持歌曲轉歌詞轉錄，這一罕見(jiàn)功能拓展了音樂(lè )索引和媒體平臺的用例，依托英偉達的 TensorRT 和 FP8 量化技術(shù)，其實(shí)時(shí)率（Real Time Factor，RTF，模型處理時(shí)間和音頻長(cháng)度的比值）達到 3386。

Parakeet TDT 0.6B 不僅關(guān)注速度和精度，還內置了多項獨特功能。該模型能將歌曲內容轉為歌詞，適用于音樂(lè )和媒體領(lǐng)域；支持數字和時(shí)間戳格式化，提升會(huì )議記錄、法律轉錄和醫療記錄的可讀性；標點(diǎn)恢復功能則增強了下游自然語(yǔ)言處理（NLP）應用的表現。這些特性大幅提升轉錄質(zhì)量，減輕后期處理或人工編輯的負擔，尤其適合企業(yè)級部署。