5月6日科技媒體marktechpost報道，英偉達于近期推出了一款極為先進的自動語音識別（ASR）模型——Parakeet TDT 0.6B，目前該模型已在Hugging Face平臺上完全開源，引發(fā)了業(yè)內(nèi)廣泛關注。?

Parakeet TDT 0.6B最大的亮點便是其驚人的速度與卓越的轉(zhuǎn)錄質(zhì)量。令人驚嘆的是，該模型僅需短短1秒，就能輕松處理長達60分鐘的音頻，這一速度堪稱現(xiàn)有主流開源ASR典型模型的50倍之多。在Hugging Face的Open ASR Leaderboard上，Parakeet TDT 0.6B同樣表現(xiàn)亮眼，其字錯率（WER）低至6.05%，在眾多開源模型中脫穎而出，成績斐然。如此出色的性能，無疑為實時轉(zhuǎn)錄、語音分析、呼叫中心智能以及音頻內(nèi)容索引等企業(yè)級應用提供了強有力的支持。?

從技術架構(gòu)層面來看，Parakeet TDT 0.6B基于Transformer架構(gòu)構(gòu)建。Transformer架構(gòu)是一種基于自注意力（Self – Attention）機制的深度學習模型，于2017年由Vaswani等人在論文《Attention Is All You Need》中首次提出。該架構(gòu)摒棄了傳統(tǒng)的循環(huán)和卷積結(jié)構(gòu)，通過自注意力機制和多頭注意力來捕捉序列內(nèi)部的依賴關系，并利用位置編碼引入位置信息，能夠有效地處理序列到序列的任務，捕捉輸入序列中的長距離依賴關系。Parakeet TDT 0.6B 在此基礎上，結(jié)合高質(zhì)量轉(zhuǎn)錄數(shù)據(jù)進行了精細微調(diào)，并且針對英偉達硬件進行了推理優(yōu)化，充分發(fā)揮硬件性能優(yōu)勢。?

該模型采用了6億參數(shù)的編碼-解碼結(jié)構(gòu)，同時運用量化和融合內(nèi)核技術來進一步提升推理效率。不僅如此，它還支持TDT（Transducer Decoder Transformer）架構(gòu)，并具備精確的時間戳、數(shù)字格式化以及標點恢復等實用功能。值得一提的是，Parakeet TDT 0.6B開創(chuàng)性地支持歌曲轉(zhuǎn)歌詞轉(zhuǎn)錄功能，這在同類模型中十分罕見。這一獨特功能極大地拓展了音樂索引和媒體平臺的應用場景。依托英偉達的 TensorRT和FP8量化技術，該模型的實時率（Real Time Factor，RTF，即模型處理時間和音頻長度的比值）高達3386。
?
除了在速度和精度上表現(xiàn)卓越，Parakeet TDT 0.6B還內(nèi)置了多項特色功能。將歌曲內(nèi)容準確轉(zhuǎn)為歌詞的功能，使其在音樂和媒體領域大有用武之地；支持數(shù)字和時間戳格式化，對于會議記錄、法律轉(zhuǎn)錄以及醫(yī)療記錄等場景而言，能夠顯著提升記錄的可讀性；標點恢復功能則對下游自然語言處理（NLP）應用的表現(xiàn)起到了增強作用。這些實用特性全方位提升了轉(zhuǎn)錄質(zhì)量，大大減輕了后期處理或人工編輯的負擔，尤其適用于企業(yè)級的大規(guī)模部署。