/new_ASR

Pytorch语音识别框架设计

Primary LanguagePythonApache License 2.0Apache-2.0

python version GitHub forks GitHub Repo stars GitHub 支持系统

MASR流式与非流式语音识别项目

MASR是一款基于Pytorch实现的自动语音识别框架，MASR全称是神奇的自动语音识别框架（Magical Automatic Speech Recognition），当前为V2版本，如果想使用V1版本，请在这个分支r1.x。MASR致力于简单，实用的语音识别项目。可部署在服务器，Nvidia Jetson设备，未来还计划支持Android等移动设备。

如果熟悉PaddlePaddle，请优先使用：PPASR

欢迎大家扫码入QQ群讨论，或者直接搜索QQ群号1169600237，问题答案为博主Github的IDyeyupiaoling。

本项目使用的环境：

  • Anaconda 3
  • Python 3.8
  • Pytorch 1.12.1
  • Windows 10 or Ubuntu 18.04

项目快速了解

  1. 本项目支持流式识别模型deepspeech2、conformer、squeezeformer，每个模型又分online(在线)和offline(离线)，对应的是流式识别和非流式识别。
  2. 本项目支持两种解码器，分别是集束搜索解码器ctc_beam_search和贪心解码器ctc_greedy，集束搜索解码器ctc_beam_search准确率更高，但不支持Windows。
  3. 下面提供了一系列预训练模型的下载，下载预训练模型之后，需要把全部文件复制到项目根目录，并执行导出模型才可以使用语音识别。

更新记录

  • 2022.11: 正式发布最终级的V2版本。

视频讲解

这个是PPSAR的视频教程，项目是通用的，可以参考使用。

快速使用

这里介绍如何使用MASR快速进行语音识别，前提是要安装MASR，文档请看快速安装。执行过程不需要手动下载模型，全部自动完成。

  1. 短语音识别
from masr.predict import MASRPredictor

predictor = MASRPredictor(model_tag='conformer_online_fbank_aishell')

wav_path = 'dataset/test.wav'
result = predictor.predict(audio_data=wav_path, use_pun=False)
score, text = result['score'], result['text']
print(f"识别结果: {text}, 得分: {int(score)}")
  1. 长语音识别
from masr.predict import MASRPredictor

predictor = MASRPredictor(model_tag='conformer_online_fbank_aishell')

wav_path = 'dataset/test_long.wav'
result = predictor.predict_long(audio_data=wav_path, use_pun=False)
score, text = result['score'], result['text']
print(f"识别结果: {text}, 得分: {score}")
  1. 模拟流式识别
import time
import wave

from masr.predict import MASRPredictor

predictor = MASRPredictor(model_tag='conformer_online_fbank_aishell')

# 识别间隔时间
interval_time = 0.5
CHUNK = int(16000 * interval_time)
# 读取数据
wav_path = 'dataset/test.wav'
wf = wave.open(wav_path, 'rb')
data = wf.readframes(CHUNK)
# 播放
while data != b'':
    start = time.time()
    d = wf.readframes(CHUNK)
    result = predictor.predict_stream(audio_data=data, use_pun=False, is_end=d == b'')
    data = d
    if result is None: continue
    score, text = result['score'], result['text']
    print(f"【实时结果】：消耗时间：{int((time.time() - start) * 1000)}ms, 识别结果: {text}, 得分: {int(score)}")
# 重置流式识别
predictor.reset_stream()

模型下载

  1. conformer预训练模型列表：
使用模型 数据集 预处理方式 语言 测试集字错率（词错率） 下载地址
conformer_online WenetSpeech (10000小时) fbank 中文
conformer_online aishell (179小时) fbank 中文 0.04491 点击下载
conformer_offline aishell (179小时) fbank 中文 0.04342 点击下载
conformer_online Librispeech (960小时) fbank 英文 点击下载
conformer_offline Librispeech (960小时) fbank 英文 点击下载
  1. squeezeformer预训练模型列表：
使用模型 数据集 预处理方式 语言 测试集字错率（词错率） 下载地址
squeezeformer_online aishell (179小时) fbank 中文 0.04137 点击下载
squeezeformer_offline aishell (179小时) fbank 中文 0.04074 点击下载
squeezeformer_online Librispeech (960小时) fbank 英文 点击下载
squeezeformer_offline Librispeech (960小时) fbank 英文 点击下载
  1. deepspeech2预训练模型列表：
使用模型 数据集 预处理方式 语言 测试集字错率（词错率） 下载地址
deepspeech2_online aishell (179小时) fbank 中文 0.06907 点击下载
deepspeech2_offline aishell (179小时) fbank 中文 0.07600 点击下载
deepspeech2_online Librispeech (960小时) fbank 英文 点击下载
deepspeech2_offline Librispeech (960小时) fbank 英文 点击下载

说明：

  1. 这里字错率或者词错率是使用eval.py程序并使用集束搜索解码ctc_beam_search方法计算得到的。
  2. 没有提供预测模型，需要把全部文件复制到项目的根目录下，执行export_model.py导出预测模型。

有问题欢迎提 issue 交流

文档教程

相关项目

参考资料