/ASRT_SpeechRecognition

A Deep-Learning-Based Chinese Speech Recognition System 基于深度学习的中文语音识别系统

Primary LanguagePythonGNU General Public License v3.0GPL-3.0

ASRT: A Deep-Learning-Based Chinese Speech Recognition System

ASRT是一个基于深度学习的中文语音识别系统,如果您觉得喜欢,请点一个 "Star" 吧~

GPL-3.0 Licensed TensorFlow Version Python Version DOI

ReadMe Language | 中文版 | English |

ASRT项目主页 | 发布版下载 | 查看本项目的Wiki文档 | 实用效果体验Demo | 打赏作者

如果程序运行期间或使用中有什么问题,可以及时在issue中提出来,我将尽快做出答复。本项目作者交流QQ群:894112051

提问前请仔细查看项目文档FAQ常见问题 以及Issues 避免重复提问

以下问题AI柠檬博主和群友可能会拒绝回答,包括但不限于:

  • 询问已经写在 ASRT语音识别项目文档Issues 上解决过的已知重复问题。
  • 找不到重点、不知所云的提问内容,但是不给出任何其他信息。
  • 跟ASRT项目没有直接相关的问题
  • “伸手党”类的问题
请注意,开发者并没有义务回复您的问题,也没用义务免费给你打工,您应该具备基本的提问技巧,并善用搜索引擎,
每个人的时间都是宝贵的。

有关AI柠檬ASRT语音项目的相关信息亦可使用AI柠檬站内搜索引擎进行相关信息的搜索。

ASRT相关资料

ASRT的原理请查看本文:

ASRT训练和部署教程请看:

关于经常被问到的统计语言模型原理的问题,请看:

关于CTC的问题请看:

更多内容请访问作者的博客:AI柠檬博客

或使用AI柠檬站内搜索引擎进行相关信息的搜索

Introduction 简介

本项目使用tensorFlow.keras基于深度卷积神经网络和长短时记忆神经网络、注意力机制以及CTC实现。

This project uses tensorFlow.keras based on deep convolutional neural network and long-short memory neural network, attention mechanism and CTC to implement.

  • 操作步骤

首先通过Git将本项目克隆到您的计算机上,然后下载本项目训练所需要的数据集,下载链接详见文档末尾部分

$ git clone https://github.com/nl8590687/ASRT_SpeechRecognition.git

或者您也可以通过 "Fork" 按钮,将本项目Copy一份副本,然后通过您自己的SSH密钥克隆到本地。

通过git克隆仓库以后,进入项目根目录;并创建一个存储数据的子目录, 例如 dataset/ (可使用软链接代替),然后将下载好的数据集直接解压进去

注意,当前版本中,在配置文件里,默认添加了Thchs30和ST-CMDS两个数据集,如果不需要请自行删除。如果要使用其他数据集需要自行添加数据配置,并提前使用ASRT支持的标准格式整理数据。

$ cd ASRT_SpeechRecognition

$ mkdir /data/speech_data

$ tar zxf <数据集压缩文件名> -C /data/speech_data/ 

下载默认数据集的拼音标签文件:

$ python download_default_datalist.py

目前可用的模型有24、25和251

运行本项目之前,请安装必要的Python3版依赖库

本项目开始训练请执行:

$ python3 train_speech_model.py

本项目开始测试请执行:

$ python3 evaluate_speech_model.py

测试之前,请确保代码中填写的模型文件路径存在。

ASRT API服务器启动请执行:

$ python3 asrserver.py

请注意,开启API服务器之后,需要使用本ASRT项目对应的客户端软件来进行语音识别,详见Wiki文档下载ASRT语音识别客户端Demo

如果要训练和使用非251版模型,请在代码中 import speech_model_zoo 的相应位置做修改。

使用docker直接部署ASRT:

$ docker pull ailemondocker/asrt_service:1.1.0
$ docker run --rm -it -p 20000:20000 --name asrt-server -d ailemondocker/asrt_service:1.1.0

仅CPU运行推理识别,不作训练

Model 模型

Speech Model 语音模型

CNN/LSTM/GRU + CTC

其中,输入的音频的最大时间长度为16秒,输出为对应的汉语拼音序列

  • 关于下载已经训练好的模型的问题

已经训练好的模型包含在发布版服务端程序压缩包里面,发布版成品服务端程序可以在此下载:ASRT下载页面

Github本仓库下Releases页面里面还包括各个不同版本的介绍信息,每个版本下方的zip压缩包也是包含已经训练好的模型的发布版服务端程序压缩包。

Language Model 语言模型

基于概率图的最大熵隐马尔可夫模型

输入为汉语拼音序列,输出为对应的汉字文本

About Accuracy 关于准确率

当前,最好的模型在测试集上基本能达到80%的汉语拼音正确率

不过由于目前国际和国内的部分团队能做到98%,所以正确率仍有待于进一步提高

Python Dependency Library

Python的依赖库

  • tensorFlow (1.15 - 2.x)
  • numpy
  • wave
  • matplotlib
  • math
  • scipy
  • requests

不会安装环境的同学请直接运行以下命令(前提是有GPU且已经安装好 CUDA 11.2 和 cudnn 8.1):

$ pip install -r requirements.txt

依赖环境和性能配置要求

Data Sets 数据集

几个最新免费开源的中文语音数据集

特别鸣谢!感谢前辈们的公开语音数据集

如果提供的数据集链接无法打开和下载,请点击该链接 OpenSLR

License 开源许可协议

GPL v3.0 © nl8590687 作者:AI柠檬

参考引用本项目

DOI: 10.5281/zenodo.5808435

Contributors 贡献者们

贡献者页面

@nl8590687 (repo owner)