PPASR流式与非流式语音识别

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，持续维护版本。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。

本项目使用的环境：

Anaconda 3
Python 3.7
PaddlePaddle 2.2.0
Windows 10 or Ubuntu 18.04

更新记录

2021.11.30: 全面修改为流式语音识别模型。
2021.11.09: 增加制作WenetSpeech数据集脚本和文档。
2021.10.10: 提供三个公开数据集的DeepSpeech2预训练模型下载。
2021.09.30: 在导出模型时，把归一化放在模型用，推理时直接在模型中完成数据归一化，不需要额外对数据归一化再输入到网络模型中。
2021.09.18: 初步完成基本程序。

模型下载

数据集	使用模型	测试集字错率	下载地址
aishell(179小时)	deepspeech2	0.077042	点击下载
free_st_chinese_mandarin_corpus(109小时)	deepspeech2	0.137442	点击下载
thchs_30(34小时)	deepspeech2	0.062654	点击下载
超大数据集(1600多小时真实数据)+(1300多小时合成数据)	deepspeech2	0.056835	点击下载

说明：

这里字错率是使用eval.py程序并使用集束搜索解码ctc_beam_search方法计算得到的。
除了aishell数据集按照数据集本身划分的训练数据和测试数据，其他的都是按照项目设置的固定比例划分训练数据和测试数据。
下载的压缩文件已经包含了mean_std.npz和vocabulary.txt，需要把解压得到的全部文件复制到项目根目录下。

有问题欢迎提 issue 交流

文档教程

快速预测

下载作者提供的模型或者训练模型，然后执行导出模型，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：

-----------  Configuration Arguments -----------
alpha: 1.2
beam_size: 10
beta: 0.35
cutoff_prob: 1.0
cutoff_top_n: 40
decoding_method: ctc_greedy
enable_mkldnn: False
is_long_audio: False
lang_model_path: ./lm/zh_giga.no_cna_cmn.prune01244.klm
mean_std_path: ./dataset/mean_std.npz
model_dir: ./models/infer/
to_an: True
use_gpu: True
use_tensorrt: False
vocab_path: ./dataset/zh_vocab.txt
wav_path: ./dataset/test.wav
------------------------------------------------
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

参考资料

About

基于PaddlePaddle2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。

Apache License 2.0

Languages

Language:Python 93.2%Language:JavaScript 3.6%Language:HTML 2.5%Language:CSS 0.7%

luogaara / PPASR