近日，英偉達在 Hugging Face 平臺上推出了其最新的自動語音識別（ASR）模型 ——Parakeet-TDT-0.6B-V2。這一新模型不僅在性能上有顯著提升，還將開源理念與商業應用相結合，吸引了廣泛關注。

QQ_1746495042000.png

 超強轉錄能力

Parakeet-TDT-0.6B-V2的最大亮點在於其出色的轉錄效率。據稱，該模型能夠在僅僅一秒內完成60分鐘音頻的轉錄，極大提高了語音處理的速度。這一效率讓開發者和企業在構建語音識別和轉錄服務時，能夠獲得更快的反饋和更高的生產力。

在技術參數上，Parakeet-TDT-0.6B-V2擁有6億個參數，結合了 FastConformer 編碼器和 TDT 解碼器架構。這一設計使得該模型在 Hugging Face 的開放 ASR 排行榜上脫穎而出，當前其平均 “詞錯誤率”（WER）僅爲6.05%，接近市面上多個商業轉錄工具的表現，例如 OpenAI 的 GPT-4o-transcribe(2.46%)和 ElevenLabs Scribe(3.3%)。

廣泛應用場景

Parakeet-TDT-0.6B-V2於2025年5月1日全球發佈，旨在幫助開發者、研究人員和行業團隊構建多樣化的應用，包括轉錄服務、語音助手、字幕生成器以及對話式 AI 平臺等。該模型支持標點符號、大小寫字母的處理，並提供詳細的逐字時間戳，滿足各種語音轉文本的需求。

開發者可以利用英偉達的 NeMo 工具包輕鬆部署該模型，支持 Python 和 PyTorch 等開發環境的兼容性，既可直接使用，也可根據特定需求進行微調。

訓練數據與模型優化

Parakeet-TDT-0.6B-V2的訓練數據來自名爲 Granary 的大規模語音數據集，該數據集包含約12萬小時的英語音頻，其中包括1萬小時的高質量人工轉錄數據和11萬小時的僞標記語音。這些數據來源於多個知名數據集，如 LibriSpeech 和 Mozilla Common Voice，確保了模型的訓練質量和多樣性。

在評估方面，該模型經過多個英語 ASR 基準測試驗證，顯示出良好的泛化能力。即使在複雜的噪聲環境下，它也能保持穩定的性能，適用於各種音頻格式的轉錄。

 兼容性與效率

爲了確保廣泛的應用場景，Parakeet-TDT-0.6B-V2針對英偉達的多款 GPU 硬件進行了優化，如 A100、H100、T4和 V100。雖然高端 GPU 能最大化其性能，但即使在只有2GB RAM 的系統上，該模型也能夠順利運行，這爲其在不同設備上的應用提供了更多可能。

值得注意的是，英偉達在開發該模型時未使用任何個人數據，符合其負責任的 AI 開發框架。此外，英偉達還提供了詳細的訓練過程文檔和數據集來源信息，確保用戶在使用過程中能夠理解模型的背景和依據。

Parakeet-TDT-0.6B-V2的發佈不僅展示了英偉達在自動語音識別領域的創新實力，也爲開發者提供了一個強大且靈活的工具，助力他們在各自的領域中實現更多可能。

huggingface:https://huggingface.co/nvidia/parakeet-tdt-0.6b-v2