Parakeet

Parakeet – нейросеть от NVIDIA преобразует английскую речь в текст с высокой точностью. Обрабатывает аудио до 24 минут за один проход, обеспечивая транскрипцию с пунктуацией и заглавными буквами. Используется для создания субтитров, голосовых ассистентов и анализа звонков.

Распознавание речи

Нейросеть Parakeet, основанная на архитектуре FastConformer, выделяется скоростью и точностью транскрипции. Обрабатывает длинные аудиофайлы, сохраняя детали речи, и поддерживает работу на слабых устройствах. Среди ключевых возможностей:

• Транскрипция 60 минут аудио за 1 секунду.
• Поддержка пунктуации и заглавных букв.
• Точные временные метки для слов.
• Обработка аудио с шумом.
• Работа с длинными записями до 24 минут.
• Совместимость с Python и PyTorch.
• Поддержка пакетной обработки аудиофайлов.
• Интеграция с NVIDIA NeMo toolkit.

Parakeet лидирует на Hugging Face Open ASR Leaderboard с ошибкой слов 6.05%.

Как пользоваться Parakeet

Сервис доступен через веб-платформу Hugging Face и как модель для локальной установки с использованием NVIDIA NeMo. Для работы нужен аудиофайл в формате WAV или FLAC с частотой 16000 Гц. Потребуется:

1. Загрузить аудиофайл на Hugging Face.
2. Выбрать модель Parakeet-TDT-0.6b-v2.
3. Нажать кнопку обработки аудио.
4. Скачать результат в CSV или SRT.
5. Установить NeMo для локальной работы.
6. Загрузить модель через Python-скрипт.
7. Указать путь к аудиофайлу.
8. Запустить транскрипцию командой.

Нейросеть бесплатна на Hugging Face с ограничением по объему обработки. Локальная установка через NeMo также бесплатна, но требует NVIDIA GPU. Работает только с английским языком.

Особенности

• 600 миллионов параметров модели;
• обучена на 120000 часов аудио;
• поддерживает коммерческое использование;
• оптимизирована для NVIDIA GPU;
• минимальные требования: 2 ГБ ОЗУ;
• устойчивость к фоновому шуму;
• транскрипция с временными метками;
• нейросеть доступна бесплатно.