fanhuafeng / PPASR

基于PaddlePaddle实现端到端中文语音识别，从入门到实战，超简单的入门案例，超实用的企业项目。支持当前最流行的DeepSpeech2、Conformer、Squeezeformer模型

PPASR流式与非流式语音识别项目

本项目将分三个阶段分支，分别是入门级 、进阶级 和最终级 分支，当前为最终级的V2版本，如果想使用最终级的V1版本，请在这个分支r1.x。PPASR中文名称PaddlePaddle中文语音识别（PaddlePaddle Automatic Speech Recognition），是一款基于PaddlePaddle实现的语音识别框架，PPASR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。别忘了star

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。

在线使用

1. 在AI Studio平台训练预测

2. 在线使用Dome

本项目使用的环境：

• Anaconda 3
• Python 3.8
• PaddlePaddle 2.4.1
• 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

• 2022.12.05: 支持自动混合精度训练和导出量化模型。
• 2022.11.26: 支持Squeezeformer模型。
• 2022.11.01: 修改Conformer模型的解码器为BiTransformerDecoder，增加SpecSubAugmentor数据增强器。
• 2022.10.29: 正式发布最终级的V2版本。

视频讲解

• 知识点讲解（哔哩哔哩）
• 流式识别的使用讲解（哔哩哔哩）

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	0.03579(aishell_test) 0.11081(test_net) 0.16031(test_meeting)	点击下载
conformer_online	WenetSpeech (10000小时)+中文语音数据集 (3000+小时)	fbank	中文	0.02923(aishell_test) 0.11876(test_net) 0.18346(test_meeting)	点击下载
conformer_online	aishell (179小时)	fbank	中文	0.04936	点击下载
conformer_offline	aishell (179小时)	fbank	中文	0.04343	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

2. 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	0.04927	点击下载
squeezeformer_offline	aishell (179小时)	fbank	中文	0.04889	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

3. 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	WenetSpeech (10000小时)	fbank	中文	0.05379(aishell_test)	点击下载
deepspeech2_online	aishell (179小时)	fbank	中文	0.11367	点击下载
deepspeech2_offline	aishell (179小时)	fbank	中文	0.09385	点击下载
deepspeech2_online	Librispeech (960小时)	fbank	英文	0.15294	点击下载
deepspeech2_offline	Librispeech (960小时)	fbank	英文	0.11035	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，min_duration为1.0，max_duration为20.0。
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

语言模型

语言模型	训练数据	数据量	文件大小	说明
自定义中文语言模型	自定义中文语料	约2千万	572 MB	训练参数-o 5，无剪枝
英文语言模型	CommonCrawl	18.5亿	8.3 GB	训练参数-o 5，剪枝参数'--prune 0 1 1 1 1
中文语言模型（剪枝）	百度内部语料库	1.3亿	2.8 GB	训练参数-o 5，剪枝参数'--prune 0 1 1 1 1
中文语言模型	百度内部语料库	37亿	70.4 GB	训练参数-o 5，无剪枝

文档教程

• 快速安装
• 快速使用
• 数据准备
• WenetSpeech数据集
• 合成语音数据
• 数据增强
• 训练模型
• 集束搜索解码
• 执行评估
• 导出模型
• 使用标点符号模型
• 使用语音活动检测（VAD）
• 预测
  • 本地预测
  • 长语音预测
  • Web部署模型
  • GUI界面预测
  • Nvidia Jetson部署

快速预测

• 下载作者提供的模型或者训练模型，并导出模型，使用infer_path.py预测音频，通过参数--wav_path指定需要预测的音频路径，完成语音识别，详情请查看模型部署。

python infer_path.py --wav_path=./dataset/test.wav

输出结果：

消耗时间：132, 识别结果: 近几年不但我用书给女儿儿压岁也劝说亲朋不要给女儿压岁钱而改送压岁书, 得分: 94

• 长语音预测

python infer_path.py --wav_path=./dataset/test_vad.wav --is_long_audio=True

• Web部署

• GUI界面部署

相关项目

• 基于PaddlePaddle实现的声纹识别：VoiceprintRecognition-PaddlePaddle
• 基于PaddlePaddle静态图实现的语音识别：PaddlePaddle-DeepSpeech
• 基于Pytorch实现的语音识别：MASR

特别感谢

• 感谢 JetBrains开源社区 提供开发工具。

参考资料

• https://github.com/PaddlePaddle/PaddleSpeech
• https://github.com/jiwidi/DeepSpeech-pytorch
• https://github.com/wenet-e2e/WenetSpeech