Pytorch实现的流式与非流式的自动语音识别框架,同时兼容在线和离线识别,目前支持Conformer、Squeezeformer、DeepSpeech2模型,支持多种数据增强方法。
APACHE-2.0 License
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。
欢迎大家扫码入知识星球或者QQ群讨论,知识星球里面提供项目的模型文件和博主其他相关项目的模型文件,也包括其他一些资源。
本项目使用的环境:
deepspeech2
、conformer
、squeezeformer
,efficient_conformer
,每个模型都支持流式识别和非流式识别,在配置文件中streaming
参数设置。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。这个是PPSAR的视频教程,项目是通用的,可以参考使用。
- 在线使用Dome
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。
from masr.predict import MASRPredictor
predictor = MASRPredictor(model_tag='conformer_streaming_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)}")
from masr.predict import MASRPredictor
predictor = MASRPredictor(model_tag='conformer_streaming_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}")
import time
import wave
from masr.predict import MASRPredictor
predictor = MASRPredictor(model_tag='conformer_streaming_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()
使用模型 | 是否为流式 | 预处理方式 | 语言 | 测试集字错率 | 下载地址 |
---|---|---|---|---|---|
conformer | True | fbank | 普通话 |
使用模型 | 是否为流式 | 预处理方式 | 语言 | 测试集字错率 | 下载地址 |
---|---|---|---|---|---|
conformere | True | fbank | 普通话 | 0.03179(aishell_test)0.16722(test_net)0.20317(test_meeting) | 加入知识星球获取 |
使用模型 | 是否为流式 | 预处理方式 | 语言 | 测试集字错率 | 下载地址 |
---|---|---|---|---|---|
squeezeformer | True | fbank | 普通话 | 0.04137 | 加入知识星球获取 |
conformer | True | fbank | 普通话 | 0.04491 | 加入知识星球获取 |
efficient_conformer | True | fbank | 普通话 | 0.04073 | 加入知识星球获取 |
deepspeech2 | True | fbank | 普通话 | 0.06907 | 加入知识星球获取 |
使用模型 | 是否为流式 | 预处理方式 | 语言 | 测试集词错率 | 下载地址 |
---|---|---|---|---|---|
squeezeformer | True | fbank | 英文 | 0.09715 | 加入知识星球获取 |
conformer | True | fbank | 英文 | 0.09265 | 加入知识星球获取 |
efficient_conformer | True | fbank | 英文 | 加入知识星球获取 | |
deepspeech2 | True | fbank | 英文 | 0.19423 | 加入知识星球获取 |
说明:
eval.py
程序并使用集束搜索解码ctc_beam_search
方法计算得到的。export_model.py
导出预测模型。streaming
参数设置。有问题欢迎提 issue 交流