使用 NVIDIA NeMo 和 標簽工作室 中的自動語音識別（ ASR ）模型處理音頻數(shù)據(jù)時，可以節(jié)省時間并產(chǎn)生更準確的結(jié)果。

NVIDIA NeMo 提供了可重用的神經(jīng)模塊，使得創(chuàng)建新的神經(jīng)網(wǎng)絡(luò)架構(gòu)變得容易，包括 ASR 的預(yù)構(gòu)建模塊和現(xiàn)成模型。借助 NVIDIA NeMo 的強大功能，您可以從預(yù)訓(xùn)練語音識別模型中獲得音頻轉(zhuǎn)錄。添加 labelstudio 及其開源數(shù)據(jù)標記功能，您可以進一步提高轉(zhuǎn)錄質(zhì)量。

解決方案

圖 1 使用 Label Studio 和 NeMo 注釋和更正轉(zhuǎn)錄本的 ASR 工作流。

按照本文中的步驟使用 Label Studio 設(shè)置 NVIDIA NeMo ASR ，以生成高質(zhì)量的音頻轉(zhuǎn)錄本。

連接 NVIDIA NeMo 模型，在 Label Studio 中自動轉(zhuǎn)錄音頻文件。

設(shè)置音頻轉(zhuǎn)錄項目。

從 Label Studio 驗證和導(dǎo)出修訂的音頻轉(zhuǎn)錄本。

微調(diào) NeMo ASR 模型與修改后的音頻轉(zhuǎn)錄從標簽工作室。

先決條件

開始之前，請確保您擁有以下資源：

音頻數(shù)據(jù)文件。 此音頻 MIG 可以是客戶服務(wù)電話、電話訂單、銷售對話的錄音，也可以是其他與人交談的錄音。音頻文件必須采用以下文件格式之一：

WAV

AIFF

MP3

AU

FLAC

已安裝 Label Studio 。 在本地計算機或云服務(wù)器上使用首選方法安裝 Label Studio 。有關(guān)更多信息，請參閱 Label Studio 文檔中的 Quickstart 。

NeMo 工具箱已安裝

免費音頻數(shù)據(jù)

如果您沒有任何音頻數(shù)據(jù)，可以使用示例數(shù)據(jù)集或歷史音頻數(shù)據(jù)集：

LJ 語音數(shù)據(jù)集 是非小說類書籍段落的公共域數(shù)據(jù)集。

Librispeech 還提供了一個 基于開放 SLR 的開源 ASR 語料庫 。

您可以使用許多其他 ASR 數(shù)據(jù)集。有關(guān)詳細信息，請參閱 數(shù)據(jù)集 – 簡介 。您還可以使用國會圖書館網(wǎng)站上的公共域錄音集，如 美國棒球運動員訪談錄 。

確定要轉(zhuǎn)錄的音頻后，就可以開始處理它了。

安裝 Label Studio ML 后端

安裝 Label Studio 后，請安裝 Label Studio 機器學習后端。從命令行運行以下命令：

git clone https://github.com/heartexlabs/label-studio-ml-backend 

設(shè)置環(huán)境：

cd label-studio-ml-backend

# Install label-studio-ml and its dependencies
pip install -U -e .

# Install the nemo example dependencies
pip install -r label_studio_ml/examples/requirements.txt

連接 NVIDIA NeMo 模型，在 Label Studio 中自動轉(zhuǎn)錄音頻文件

要使用預(yù)先訓(xùn)練的 ASR 模型的預(yù)測對數(shù)據(jù)進行預(yù)標記，請在 Label Studio 中將 NeMo 工具箱設(shè)置為機器學習后端。 Label Studio 機器學習后端允許您使用預(yù)先訓(xùn)練的模型來預(yù)標記數(shù)據(jù)。

Label Studio 包括使用 利用 NGC 云中的 NeMo 開發(fā)的預(yù)訓(xùn)練 QuartzNet15x5 模型 的 一個例子 ，但是如果另一個模型更適合，您可以用您的數(shù)據(jù)設(shè)置一個不同的模型。有關(guān)更多信息，請參閱 NeMo 提供的 ASR 型號列表 。

在命令行中，將 NeMo 設(shè)置為機器學習后端，并使用該模型啟動一個新的 Label Studio 項目。

安裝 NeMo 工具箱 在 Docker 容器中或使用 pip 。

下載 NeMo ASR 模型。提供的 Label Studio 示例腳本從 NGC 云下載預(yù)先訓(xùn)練的 QuartzNet 模型。要使用不同的模型，請從 NGC 下載該模型。

從命令行啟動 Label Studio 機器學習后端。

label-studio-ml init my_model --from label_studio_ml/examples/nemo/asr.py

啟動機器學習后端。默認情況下，模型在本地主機上以端口 9090 啟動。

label-studio-ml start my_model

用模型啟動 Label Studio 。

label-studio start my_project --ml-backends http://localhost:9090

設(shè)置音頻轉(zhuǎn)錄項目

啟動 Label Studio 后，導(dǎo)入音頻數(shù)據(jù)并設(shè)置正確的模板來配置標簽。 VZX19 是自動語音識別的最佳選擇，它使音頻數(shù)據(jù)的注釋變得容易。

打開 Label Studio ，導(dǎo)入數(shù)據(jù)，然后選擇模板。

選擇 Import 并以純文本或 JSON 文件的形式導(dǎo)入音頻數(shù)據(jù)，這些文件引用在線存儲（如 Amazon S3 ）中托管的音頻文件的有效 url 。

2 從 Tasks 列表中，選擇 Settings 。

3 在 標簽界面 選項卡上，瀏覽模板并選擇 自動語音識別 模板。

4 選擇 Save 。

驗證并輸出模型預(yù)測

作為注釋器，檢查任務(wù)界面上音頻數(shù)據(jù)的任務(wù)并驗證。如有必要，糾正 NeMo 語音模型預(yù)測的轉(zhuǎn)錄本。

從 Label Studio 中的任務(wù)列表中，選擇 Label 。

對于每個音頻樣本，聆聽音頻并回顧 NeMo 模型產(chǎn)生的轉(zhuǎn)錄，作為預(yù)標記過程的一部分。

如果成績單中有任何單詞不正確，請更新。

保存對成績單的更改。選擇 Submit 提交成績單并查看下一個音頻樣本。

接下來，按照 NVIDIA NVIDIA 文檔中的 NeMo ASR 集合 所述，以 NeMo 模型所期望的正確格式從 Label Studio 導(dǎo)出完成的音頻轉(zhuǎn)錄本。

要導(dǎo)出完成的音頻，請執(zhí)行以下操作：

從 Label Studio 中的任務(wù)列表中，選擇 Export 。

選擇名為 ASR_MANIFEST 的音頻轉(zhuǎn)錄 JSON 格式。

有關(guān) Label Studio 中可用導(dǎo)出格式的詳細信息，請參閱 從 Label Studio 導(dǎo)出結(jié)果 。

使用高質(zhì)量的成績單來微調(diào)您的 ML 模型

當您處理完音頻并調(diào)整完轉(zhuǎn)錄的文本后，剩下的是音頻轉(zhuǎn)錄本，您可以用來重新培訓(xùn) NeMo 中包含的 ASR 模型。 Label Studio 生成與 NeMo 培訓(xùn)完全兼容的注釋。

要更新 QuartzNet 模型檢查點，您可以在幾行代碼中完成，從頭開始訓(xùn)練模型，或者使用 PyTorch Lightning 。例子也可以在 NeMo Jupyter 筆記本中找到。

通過同時使用 Label Studio 和 NeMo ，您可以節(jié)省從頭開始處理每個音頻文件的時間 NeMo 可以立即為您提供高度準確的預(yù)測，而 Label Studio 可以幫助您實現(xiàn)完美的預(yù)測 今天就試試 ！

關(guān)于作者

Nikolai Liubimov是Heartex的CTO。 完成博士學位后 他在CS擔任機器學習研究員，后來進入該行業(yè)，并花了10年的時間將深度學習技術(shù)應(yīng)用于現(xiàn)實世界中的問題。 這項經(jīng)驗為當前缺少哪些工具提供了寶貴的見解，從而創(chuàng)建了一家初創(chuàng)公司來幫助數(shù)據(jù)科學和機器學習工程團隊構(gòu)建和改進其ML模型。

Sarah Moir是Heartex的產(chǎn)品內(nèi)容和教育主管，為Heartex的數(shù)據(jù)注釋和標簽解決方案撰寫文檔，博客文章和教育教程。 薩拉（Sarah）在過去的八年中一直是數(shù)據(jù)和安全領(lǐng)域的技術(shù)作家，并且對數(shù)據(jù)分析，機器學習和編寫充滿熱情。

審核編輯：郭婷