Parakeet V2：NVIDIA 打造的“超级听写机”，让语音识别快准稳！

admin管理员组

文章数量:1027513

Parakeet V2：NVIDIA 打造的“超级听写机”，让语音识别快准稳！

在我们日常生活中，语音识别已经成为手机助手、字幕生成、会议记录等场景中的重要技术。5月1日，NVIDIA 推出了一个全新语音识别模型——Parakeet-tdt-0.6b-v2，它不仅听得清、听得准，还听得快，是目前 Hugging Face 公布的自动语音识别排行榜上的行业最佳之一。

项目链接：.6b-v2（点击阅读原文）

什么是 Parakeet V2？

Parakeet-tdt-0.6b-v2 是一个拥有 6亿参数 的英文自动语音识别（ASR）模型，可以：

• 自动加标点和大小写，生成像人写的一样自然的文字；
• 精准预测每个词的时间戳，方便做字幕同步或语音高亮；
• 支持听歌识词，能把歌曲歌词准确写出来；
• 对于说出的数字、金额等格式化内容，也能正确识别。

有多强？

Parakeet V2 在 Hugging Face 的公开 ASR 排行榜上，取得了仅 6.05% 的词错误率（WER），意味着每 100 个词中只有约 6 个出错，在当前业界处于领先水平。

更惊人的是它的速度：比其他模型快上 50 倍，在测试中实现了 RTFx（实时因子）为 3386 的成绩。这意味着它不仅听得准，而且听得飞快！

它怎么做到的？

这个模型基于一个叫 FastConformer 的架构，是语音识别领域中的高效变体，同时融合了先进的 TDT 解码器，可以处理长达 20分钟 的音频段，直接一次性转写完成，无需切割成小段。

这种设计，既减少了切片带来的上下文信息丢失，也提升了整体效率。

用在哪里？

Parakeet V2 已经为商业与非商业用途做好准备，你可以用它来：

• 为会议、播客、讲座生成字幕；
• 为客服语音记录建立文本索引；
• 开发基于语音的搜索引擎；
• 或者干脆打造你的“听写神器”！

试用地址：

这个AI模型经过设计和/或优化,可在NVIDIA GPU加速系统上运行。利用 NVIDIA 的硬件(例如GPU 内核)和软件框架(例如 CUDA 库),与仅 CPU 的解决方案相比,该模型实现了更快的训练和推理时间。

如何使用这个模型:

要训练、微调或使用模型,您需要安装 NVIDIA NeMo。我们建议您在安装最新的 PyTorch 版本后安装它。

代码语言：javascript代码运行次数：0运行复制

pip install -U nemo_toolkit['asr']

该模型可用于NeMo工具,可用于预训练的检查点,用于推理或在另一个数据集上进行微调。

自动实例化模型

代码语言：javascript代码运行次数：0运行复制

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt-0.6b-v2")

支持的GPU架构：

• NVIDIA Ampere
• NVIDIA Blackwell
• NVIDIA Hopper
• NVIDIA Volta

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-05-04，如有侵权请联系 cloudcommunity@tencent 删除nvidia模型设计语音语音识别

Parakeet V2：NVIDIA 打造的“超级听写机”，让语音识别快准稳！

在我们日常生活中，语音识别已经成为手机助手、字幕生成、会议记录等场景中的重要技术。5月1日，NVIDIA 推出了一个全新语音识别模型——Parakeet-tdt-0.6b-v2，它不仅听得清、听得准，还听得快，是目前 Hugging Face 公布的自动语音识别排行榜上的行业最佳之一。

项目链接：.6b-v2（点击阅读原文）

什么是 Parakeet V2？

Parakeet-tdt-0.6b-v2 是一个拥有 6亿参数 的英文自动语音识别（ASR）模型，可以：

• 自动加标点和大小写，生成像人写的一样自然的文字；
• 精准预测每个词的时间戳，方便做字幕同步或语音高亮；
• 支持听歌识词，能把歌曲歌词准确写出来；
• 对于说出的数字、金额等格式化内容，也能正确识别。

有多强？

Parakeet V2 在 Hugging Face 的公开 ASR 排行榜上，取得了仅 6.05% 的词错误率（WER），意味着每 100 个词中只有约 6 个出错，在当前业界处于领先水平。

更惊人的是它的速度：比其他模型快上 50 倍，在测试中实现了 RTFx（实时因子）为 3386 的成绩。这意味着它不仅听得准，而且听得飞快！

它怎么做到的？

这个模型基于一个叫 FastConformer 的架构，是语音识别领域中的高效变体，同时融合了先进的 TDT 解码器，可以处理长达 20分钟 的音频段，直接一次性转写完成，无需切割成小段。

这种设计，既减少了切片带来的上下文信息丢失，也提升了整体效率。

用在哪里？

Parakeet V2 已经为商业与非商业用途做好准备，你可以用它来：

• 为会议、播客、讲座生成字幕；
• 为客服语音记录建立文本索引；
• 开发基于语音的搜索引擎；
• 或者干脆打造你的“听写神器”！

试用地址：

这个AI模型经过设计和/或优化,可在NVIDIA GPU加速系统上运行。利用 NVIDIA 的硬件(例如GPU 内核)和软件框架(例如 CUDA 库),与仅 CPU 的解决方案相比,该模型实现了更快的训练和推理时间。

如何使用这个模型:

要训练、微调或使用模型,您需要安装 NVIDIA NeMo。我们建议您在安装最新的 PyTorch 版本后安装它。

代码语言：javascript代码运行次数：0运行复制

pip install -U nemo_toolkit['asr']

该模型可用于NeMo工具,可用于预训练的检查点,用于推理或在另一个数据集上进行微调。

自动实例化模型

代码语言：javascript代码运行次数：0运行复制

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.ASRModel.from_pretrained(model_name="nvidia/parakeet-tdt-0.6b-v2")

支持的GPU架构：

• NVIDIA Ampere
• NVIDIA Blackwell
• NVIDIA Hopper
• NVIDIA Volta

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-05-04，如有侵权请联系 cloudcommunity@tencent 删除nvidia模型设计语音语音识别

本文标签： Parakeet V2NVIDIA 打造的“超级听写机”，让语音识别快准稳！