英偉達推出開源ASR新標桿Parakeet TDT 0.6B 1秒轉錄60分鐘音頻
5月7日，全球AI計算巨頭英偉達（NVIDIA）近日宣布推出Parakeet TDT 0.6B，一款基于Transformer架構的先進自動語音識別（ASR）模型，憑借突破性的速度與精度登頂開源ASR領域。該模型已在Hugging Face平臺全面開源，為實時轉錄、語音分析、音樂索引等企業級應用提供行業領先的解決方案。
Parakeet TDT 0.6B的核心優勢在于其驚人的處理效率——僅需1秒即可完成60分鐘音頻的轉錄，速度達到主流開源ASR模型的50倍。在Hugging Face的Open ASR Leaderboard上，其字錯率（WER）低至6.05%，刷新開源模型紀錄，展現出接近商業級ASR系統的專業性能。
技術亮點：專為工業級場景優化
- 高效架構：基于6億參數的編碼-解碼結構，支持TDT（Transducer Decoder Transformer）架構，結合量化與融合內核技術，顯著提升推理效率。
- 英偉達硬件深度優化：依托TensorRT和FP8量化技術，實現實時率（RTF）高達3386，滿足高并發、低延遲的工業需求。
- 多功能轉錄：除常規語音外，首創歌曲轉歌詞功能，為音樂平臺和媒體內容索引提供新工具。
- 企業級特性：支持時間戳標記、數字標準化、標點恢復，可直接適配會議記錄、醫療文檔、法律轉錄等專業場景。
Parakeet TDT 0.6B的推出將大幅降低企業部署ASR技術的門檻，其開源屬性更利于開發者生態的擴展。潛在應用包括：實時語音轉寫：會議、直播、在線教育等場景的即時字幕生成。智能客服與呼叫中心：高精度語音分析提升服務效率。媒體與娛樂：自動化歌詞轉錄、音頻內容檢索。醫療與法律：結構化轉錄文檔減少人工校對成本。
科技媒體MarktechPost指出，Parakeet TDT 0.6B的發布“重新定義了開源ASR的標桿”，其速度與精度的結合為行業提供了“前所未有的生產力工具”。英偉達強調，該模型將持續迭代，未來可能集成更多語言支持及跨模態能力。
