Parakeet RNNT 1.1B

Parakeet RNNT 1.1B

把英文语音转写成小写文本。由 NVIDIA NeMo 和 Suno.ai 团队开发的 1.1B FastConformer Transducer 模型，适合给应用加入语音识别的开发者。

由 nvidia 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Parakeet RNNT 1.1B 把英文口语转成文字。NVIDIA NeMo 和 Suno.ai 一起开发了它，是 XXL 规格的 FastConformer Transducer，约有 1.1B 参数。它输出小写英文字母的文本，可以通过 NeMo 工具包或 Hugging Face Transformers 运行。

适合谁：如果你需要在自己的机器上把英文语音转成文字，不管是直接用这个检查点，还是拿它做微调的基础，它适合你。

Industry | Who uses it | How they use it | Example
媒体 | 播客和视频团队 | 把英文录音转写成文字 | 把一个文件夹的采访录音转成文字
客户服务 | 客服团队 | 把英文通话音频转成文字，方便搜索或复核 | 转写一段录下来的客服通话
软件 | 应用开发者 | 通过 NeMo 或 Transformers 给产品加入英文语音转文字 | 应用里的语音笔记功能
研究 | 语音研究人员 | 在另一个数据集上微调检查点 | 让模型适应某个专业词汇

如果你的音频不是英文，可以跳过它，因为模型卡只列出了英文。

用在哪里：

• NeMo 工具包，在装好最新 PyTorch 之后安装
• Hugging Face Transformers，5.13.0 版本起
• 命令行，使用 NeMo 仓库里的转写脚本
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

Use case | Who | What they get back
转写单个文件 | 开发者 | 小写文本形式的语音内容
转写整个文件夹 | 数据团队 | 文件夹里每个音频文件各一份转写稿
用你的数据微调 | 研究人员 | 一个适应了另一个数据集的模型

如何设置：

• Python
• 最新的 PyTorch，在 NeMo 之前安装
• NeMo，或 5.13.0 及以上版本的 Transformers
• 约 4.3 GB 的 F32 权重空间，估算 4-bit 约 535 MB

1. 安装最新的 PyTorch。
2. 安装 NeMo 工具包。
3. 按下面所示，在 Python 里用模型名称加载模型。

pip install nemo_toolkit['all']

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecRNNTBPEModel.from_pretrained(model_name="nvidia/parakeet-rnnt-1.1b")

如果想先自己取回文件：

pip install -U huggingface_hub
hf download nvidia/parakeet-rnnt-1.1b

如何使用：把音频文件列表传给 transcribe 调用，再打印第一个结果。下面的文件名是模型卡里的示例，请换成你自己的英文录音。

output = asr_model.transcribe(['2086-149220-0033.wav'])
print(output[0].text)

要处理整个文件夹，就用模型名称和音频文件夹运行 NeMo 脚本。

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py
 pretrained_name="nvidia/parakeet-rnnt-1.1b"
 audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

如果改用 Transformers，请安装 5.13.0 或更新的版本。

pip install "transformers>=5.13.0"

Tool | What it does
from_pretrained | 用模型名称加载模型
asr_model.transcribe | 把音频文件列表转成文本，每个文件一个结果
transcribe_speech.py | NeMo 的脚本，转写文件夹里的每个音频文件
AutoModelForRNNT | 使用 Transformers 时加载模型

示例：给它一段简短的英文 WAV 录音，打印第一个结果的文本。你会得到小写文本形式的语音内容。

新手与专家：它听一段英文录音，把说的话写下来。第一次尝试时，先在 PyTorch 之后安装 NeMo，用上面的 Python 加载模型，再转写一个简短的英文 WAV 文件。

在底层，它是 XXL 规格的 FastConformer Transducer，约 1.1B 参数，由 NVIDIA NeMo 和 Suno.ai 团队共同开发。你可以直接用这个检查点做推理，也可以在另一个数据集上微调。走 Transformers 路线需要 5.13.0 或更新的版本。

英文音频文件输入
NeMo 或 Transformers 加载检查点
FastConformer Transducer 解码语音
输出小写英文文本

注意事项：输出只使用小写英文字母，所以不会有大写字母。下载公开发布版本即表示接受它的许可条款。

• License: CC BY 4.0
• Cost to run: 没有提到 API 密钥或付费服务
• Data it reaches: 读取你提供的音频文件，并从 Hugging Face 下载模型文件，模型卡里的示例会先从网上下载一个示例 WAV 文件
• Not for: 英文以外的语言，因为模型卡只列出了英文

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：nemo
• 参数量：1.1B
• Weights: about 4.3 GB in F32; about 535 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：8,709
• 点赞：189
• 许可证：cc-by-4.0
• 语言：en
• Quantized versions: 14
• Fine-tunes: 2
• 标签：nemo, safetensors, parakeet_rnnt, feature-extraction, automatic-speech-recognition, speech, audio, transducer, fastconformer, conformer, pytorch, hf-asr-leaderboard

链接

• 模型：https://huggingface.co/nvidia/parakeet-rnnt-1.1b
• 文件：https://huggingface.co/nvidia/parakeet-rnnt-1.1b/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download nvidia/parakeet-rnnt-1.1b

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。