• 简体中文

      • Parakeet 系列

      说明

      • 模型架构：基于 NVIDIA FastConformer-TDT-CTC（Hybrid 架构）
      • 系列组成：
        • tdt-0.6b：标准 TDT 模型，0.6B 参数，支持标点、大写、时间戳
        • tdt_ctc：结合 CTC 的 TDT 模型（110M / 0.6B 参数），其中 110M 英文和 0.6B 日文模型支持标点
      • 版本标识：
        • v2：英文模型，支持标点、大写、时间戳
        • v3 / multilingual：多语言模型，支持 25 种欧洲语言，自动语言检测，支持标点、大写、时间戳
      • 许可协议：v2 和 v3 模型使用 CC-BY-4.0 许可证；CTC 系列多使用 Apache License 2.0（以各模型页面为准）
      • 适用场景：高吞吐量语音转录、多语言会话 AI、字幕生成、语音分析等

      1. Parakeet-TDT 英文模型（v2）

      详细特性

      • 支持语言：英文
      • 标点与大写：输出自带标点符号和正确大小写
      • 时间戳：支持准确的词级、字符级和片段级时间戳预测
      • 长音频：使用全注意力机制，可单次处理最长 24 分钟的音频片段
      • 架构：FastConformer 编码器 + TDT 解码器，600M 参数
      • 输入：16kHz 单声道 .wav 或 .flac
      • 输出：带标点和大写的文本字符串
      • 性能：在 Hugging Face ASR 排行榜上 RTFx 达 3380
      • 发布信息：发布日期 2025-05-01；
      • 许可：CC-BY-4.0，允许商业和非商业使用
      模型名称类型支持语言标点时间戳下载地址
      parakeet-tdt-0.6b-v2-en-onnx非流式英文是是modelscope
      parakeet-tdt-0.6b-v2-en-int8-onnx非流式英文是是modelscope

      2. Parakeet-TDT 多语言模型（v3）

      详细特性

      • 支持语言（共 25 种欧洲语言）：保加利亚语（bg）、克罗地亚语（hr）、捷克语（cs）、丹麦语（da）、荷兰语（nl）、英语（en）、爱沙尼亚语（et）、芬兰语（fi）、法语（fr）、德语（de）、希腊语（el）、匈牙利语（hu）、意大利语（it）、拉脱维亚语（lv）、立陶宛语（lt）、马耳他语（mt）、波兰语（pl）、葡萄牙语（pt）、罗马尼亚语（ro）、斯洛伐克语（sk）、斯洛文尼亚语（sl）、西班牙语（es）、瑞典语（sv）、俄语（ru）、乌克兰语（uk）
      • 自动语言检测：无需额外提示，模型自动识别音频语言
      • 标点与大写：输出自带标点符号和正确大小写
      • 时间戳：支持准确的词级和片段级时间戳
      • 长音频：在 A100 80GB 上使用全注意力可处理最长 24 分钟音频；使用局部注意力可处理最长 3 小时音频
      • 架构：FastConformer 编码器 + TDT 解码器，600M 参数，基于 Granary 数据集（670,000+ 小时音频）训练
      • 输入：16kHz 单声道 .wav 或 .flac
      • 输出：带标点和大写的文本字符串
      • 发布信息：Hugging Face 发布日期 2025-08-14；
      • 许可：CC-BY-4.0，允许商业和非商业使用
      模型名称类型支持语言标点时间戳下载地址
      parakeet-tdt-0.6b-v3-multilingual-onnx非流式25种欧洲语言（见上方列表）是是modelscope
      parakeet-tdt-0.6b-v3-multilingual-int8-onnx非流式25种欧洲语言（见上方列表）是是modelscope

      3. Parakeet-TDT-CTC 英文模型（110M）

      详细特性

      • 模型开发：由 NVIDIA NeMo 与 Suno.ai 团队联合开发
      • 架构：Hybrid FastConformer-TDT-CTC，约 114M 参数
      • 支持语言：英文
      • 标点与大写：✅ 支持 Punctuations and Capitalizations（PnC）
      • 时间戳：默认使用 TDT 解码器可输出时间戳；切换至 CTC 解码器则仅输出文本（无时间戳）
      • 长音频：使用全注意力，可单次处理最长 20 分钟音频
      • 性能：在 Hugging Face ASR 评测集上平均 RTFx ~5300（A100）
      • 输入：16kHz 单声道 .wav 或 .flac
      • 输出：带标点和大写的文本字符串
      • 许可：Apache License 2.0
      模型名称类型支持语言标点时间戳下载地址
      parakeet-tdt_ctc-110m-en-onnx非流式英文是是（TDT解码器）modelscope
      parakeet-tdt_ctc-110m-en-int8-onnx非流式英文是是（TDT解码器）modelscope

      注意：ONNX 导出版本可能默认使用 TDT 解码器，因此支持时间戳；具体以实际推理输出为准。若需切换为 CTC 解码器，请参考 NeMo 原生模型的使用说明。

      4. Parakeet-TDT-CTC 日文模型（0.6B）

      详细特性

      • 模型开发：由 NVIDIA NeMo 团队开发
      • 架构：Hybrid FastConformer-TDT-CTC，约 0.6B（600M）参数
        • FastConformer：使用 8 倍深度可分离卷积下采样，优化推理速度
        • TDT（Token-and-Duration Transducer）：通过联合预测 token 和 duration，可跳过大部分 blank 预测（该模型 duration 最大 4 帧），显著提升推理速度
      • 支持语言：日语（Japanese）
      • 标点：✅ 支持标点符号（Punctuations）
      • 时间戳：默认使用 TDT 解码器可输出时间戳；
      • 长音频：未明确说明处理时长
      • 输入：16kHz 单声道 .wav 或 .flac
      • 输出：带标点的文本字符串
      • 许可：Apache License 2.0
      模型名称类型支持语言标点时间戳下载地址
      parakeet-tdt_ctc-0.6b-ja-onnx非流式日语是是modelscope
      parakeet-tdt_ctc-0.6b-ja-int8-onnx非流式日语是是modelscope

      补充说明

      • 标点和时间戳支持情况汇总：
        • ✅ v2 英文模型：支持标点、大写、时间戳
        • ✅ v3 多语言模型：支持标点、大写、时间戳
        • ✅ CTC 110M 英文模型：支持标点、大写；时间戳通过 TDT 解码器支持
        • ✅ CTC 0.6B 日文模型：支持标点；时间戳暂未确认
      • 所有 ONNX 模型均适合边缘端和云端部署，int8 版本体积更小、推理更快
      • 许可协议以各模型页面标注为准，v2/v3 推荐使用 CC-BY-4.0，CTC 模型多采用 Apache 2.0
      • 日文模型的 TDT duration 为 4 帧，可带来显著推理加速，具体性能指标参考 NVIDIA 官方文档