VoiceStudio — Parakeet TDT (NVIDIA NeMo) 引擎¶

NVIDIA 的 Parakeet TDT 通过 NeMo 工具包实现：采用 FastConformer 编码器与 Token-and-Duration Transducer 解码器。它在英语基准上优于 Whisper large-v3（WER 约 6%），并支持 25 种（主要是欧洲）语言，具备自动语言检测功能。0.6B 模型即使在 CPU 上也很快速——在 Apple Silicon M2 CPU（2026-07-02）上实测 RTF 为 0.08–0.23，比同一主机上的 faster-whisper large-v3 int8 快约 20 倍。

请勿将 NeMo 安装到应用 venv 中¶

nemo_toolkit 的 ASR 附加组件将 transformers>=4.57,<4.58 固定为依赖版本，这与 VoiceStudio 自身对 transformers>=5.3 的要求冲突；如果安装到共享 venv 中，会破坏后端（启动时出现 ImportError）。目前该引擎没有安全的应用内安装路径；应用内隔离另行跟踪。

如果你想在没有独立环境的情况下使用 Parakeet 模型，请改用以下选项——同一模型家族，无需 NeMo 依赖：

• Apple Silicon： parakeet-mlx（在 mac-ARM 源码安装中默认安装）。
• 任意平台、CPU： sherpa-onnx-asr — 可选择的 Parakeet TDT v2/v3 int8 ONNX 导出；Whisper Tiny 仍是跨平台听写的默认选项。

选择该引擎¶

仅当你在运行后端的独立专用 Python 环境中配置了 nemo_toolkit[asr] 时，此项才有意义：

• Model Catalogue，ASR 选项卡 → 在 Parakeet TDT 行上点击 Use，或
• OMNIVOICE_ASR_BACKEND=nemo-parakeet。

自动检测永远不会选择它；这是明确的显式选择加入（opt-in）。

擅长场景¶

• 英语及欧洲语言转写，适用于 WER 比词级字幕时间轴更重要的场景。
• 纯 CPU 主机 — 无需任何 GPU 即可超过实时速度。

平台支持¶

支持 CUDA 或 CPU（旧的硬性 CUDA 门槛已移除——参见上文 RTF 数据）。可用性纯粹取决于对 nemo.collections.asr 的依赖检查。

模型选择¶

ASR_MODEL_NEMO — 默认为 nvidia/parakeet-tdt-0.6b-v3。权重在首次加载时下载——参见 downloading-models。

注意事项¶

• 对于整个文件，输出是一个单一分段（NeMo 不会像 Whisper 那样进行 VAD 分段）；当模型提供词级时间戳时会包含这些时间戳——适合听写和普通转录，但不适合长篇字幕。
• NeMo 无法清晰地暴露检测到的语言，因此无论实际（自动检测）语言是什么，结果都会报告为 en。