Home

Awesome

GPL-3.0 Licensed Stars TensorFlow Version Python Version DOI

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~

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 ,加微信群请先加AI柠檬微信号:ailemon-me ,并备注“ASRT语音识别”

<center><img src="https://res.ailemon.net/common/ailemon-me-wechat-qrcode.jpg?x-oss-process=style/ailemon-blog-webp" height="100rem"/></center>

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

如果程序运行时有任何异常情况,在提问时请发出完整截图,并注明所使用的CPU架构,GPU型号,操作系统、Python,TensorFlow和CUDA版本,以及是否修改过任何代码或增删数据集等。

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。

训练模型的最低软硬件要求

硬件

软件

快速开始

以在Linux系统下的操作为例:

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 /data/speech_data (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、ST-CMDS、Primewords、aishell-1、aidatatang200、MagicData 六个数据集,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、251和251bn

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。

预测单条音频文件的语音识别文本:

$ python3 predict_speech_file.py

启动ASRT HTTP协议的API服务器启动请执行:

$ python3 asrserver_http.py

本地测试调用HTTP协议API服务是否成功:

$ python3 client_http.py

启动ASRT GRPC协议的API服务器启动请执行:

$ python3 asrserver_grpc.py

本地测试调用GRPC协议API服务是否成功:

$ python3 client_grpc.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SDK和Demo

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

使用docker直接部署ASRT:

$ docker pull ailemondocker/asrt_service:1.3.0
$ docker run --rm -it -p 20001:20001 -p 20002:20002 --name asrt-server -d ailemondocker/asrt_service:1.3.0

仅CPU运行推理识别,不作训练

Model 模型

Speech Model 语音模型

DCNN + 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

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85%的汉语拼音正确率

Python依赖库

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 Python3.9、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

完整内容请查看:几个最新免费开源的中文语音数据集

数据集时长大小国内下载国外下载
THCHS3040h6.01Gdata_thchs30.tgzdata_thchs30.tgz
ST-CMDS100h7.67GST-CMDS-20170001_1-OS.tar.gzST-CMDS-20170001_1-OS.tar.gz
AIShell-1178h14.51Gdata_aishell.tgzdata_aishell.tgz
Primewords100h8.44Gprimewords_md_2018_set1.tar.gzprimewords_md_2018_set1.tar.gz
MagicData755h52G/1.0G/2.2Gtrain_set.tar.gz / dev_set.tar.gz / test_set.tar.gztrain_set.tar.gz / dev_set.tar.gz / test_set.tar.gz

注:AISHELL-1 数据集解压方法

$ tar xzf data_aishell.tgz
$ cd data_aishell/wav
$ for tar in *.tar.gz;  do tar xvf $tar; done

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

ASRT语音识别API客户端调用SDK

ASRT为客户端通过RPC方式调用开发语音识别功能提供了不同平台和编程语言的SDK接入能力,对于其他平台,可直接通过调用通用RESTful Open API方式进行语音识别功能接入。具体接入步骤请看ASRT项目文档。

客户端平台项目仓库链接
Windows客户端SDK和DemoASRT_SDK_WinClient
跨平台Python3客户端SDK和DemoASRT_SDK_Python3
跨平台Golang客户端SDK和Demoasrt-sdk-go
Java客户端SDK和DemoASRT_SDK_Java

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

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.5808434

Contributors 贡献者们

贡献者页面

@nl8590687 (repo owner)