You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
239 lines
11 KiB
239 lines
11 KiB
1 year ago
|
|
||
|
|
|
||
|
|
[](https://opensource.org/licenses/GPL-3.0)
|
||
|
|
[](https://github.com/nl8590687/ASRT_SpeechRecognition)
|
||
|
|
[](https://www.tensorflow.org/)
|
||
|
|
[](https://www.python.org/)
|
||
|
|
[](https://doi.org/10.5281/zenodo.5808434)
|
||
|
|
|
||
|
|
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](https://github.com/nl8590687/ASRT_SpeechRecognition/blob/master/README_EN.md) |
|
||
|
|
|
||
|
|
[**ASRT项目主页**](https://asrt.ailemon.net/) |
|
||
|
|
[**发布版下载**](https://wiki.ailemon.net/docs/asrt-doc/download) |
|
||
|
|
[**查看本项目的Wiki文档**](https://wiki.ailemon.net/docs/asrt-doc) |
|
||
|
|
[**实用效果体验Demo**](https://asrt.ailemon.net/demo) |
|
||
|
|
[**打赏作者**](https://wiki.ailemon.net/docs/asrt-doc/asrt-doc-1deo9u61unti9)
|
||
|
|
|
||
|
|
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](https://asrt.ailemon.net/docs/)、
|
||
|
|
[FAQ常见问题](https://wiki.ailemon.net/docs/asrt-doc/asrt-doc-1deoeud494h4f)
|
||
|
|
以及[Issues](https://github.com/nl8590687/ASRT_SpeechRecognition/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
|
||
|
|
* CPU: 4核 (x86_64, amd64) +
|
||
|
|
* RAM: 16 GB +
|
||
|
|
* GPU: NVIDIA, Graph Memory 11GB+ (1080ti起步)
|
||
|
|
* 硬盘: 500 GB 机械硬盘(或固态硬盘)
|
||
|
|
|
||
|
|
### 软件
|
||
|
|
* Linux: Ubuntu 18.04 + / CentOS 7 + 或 Windows 10/11
|
||
|
|
* Python: 3.7 - 3.10 及后续版本
|
||
|
|
* TensorFlow: 2.5 - 2.11 及后续版本
|
||
|
|
|
||
|
|
## 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](https://github.com/nl8590687/ASRT_SpeechRecognition#data-sets-%E6%95%B0%E6%8D%AE%E9%9B%86)。
|
||
|
|
```shell
|
||
|
|
$ 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。
|
||
|
|
|
||
|
|
```shell
|
||
|
|
$ 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：
|
||
|
|
```shell
|
||
|
|
$ 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](https://github.com/nl8590687/ASRT_SpeechRecognition#python-import)
|
||
|
|
|
||
|
|
本项目开始训练请执行：
|
||
|
|
```shell
|
||
|
|
$ python3 train_speech_model.py
|
||
|
|
```
|
||
|
|
本项目开始测试请执行：
|
||
|
|
```shell
|
||
|
|
$ 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：
|
||
|
|
```shell
|
||
|
|
$ python3 predict_speech_file.py
|
||
|
|
```
|
||
|
|
|
||
|
|
启动ASRT HTTP协议的API服务器启动请执行：
|
||
|
|
```shell
|
||
|
|
$ python3 asrserver_http.py
|
||
|
|
```
|
||
|
|
|
||
|
|
本地测试调用HTTP协议API服务是否成功：
|
||
|
|
```shell
|
||
|
|
$ python3 client_http.py
|
||
|
|
```
|
||
|
|
|
||
|
|
启动ASRT GRPC协议的API服务器启动请执行：
|
||
|
|
```shell
|
||
|
|
$ python3 asrserver_grpc.py
|
||
|
|
```
|
||
|
|
|
||
|
|
本地测试调用GRPC协议API服务是否成功：
|
||
|
|
```shell
|
||
|
|
$ 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](https://wiki.ailemon.net/docs/asrt-doc/download)。
|
||
|
|
|
||
|
|
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：
|
||
|
|
```shell
|
||
|
|
$ 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
|
||
|
|
|
||
|
|
* 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](https://wiki.ailemon.net/docs/asrt-doc/download)。
|
||
|
|
|
||
|
|
Github本仓库下[Releases](https://github.com/nl8590687/ASRT_SpeechRecognition/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
|
||
|
|
|
||
|
|
* tensorFlow (2.5-2.11+)
|
||
|
|
* numpy
|
||
|
|
* wave
|
||
|
|
* matplotlib
|
||
|
|
* scipy
|
||
|
|
* requests
|
||
|
|
* flask
|
||
|
|
* waitress
|
||
|
|
* grpcio / grpcio-tools / protobuf
|
||
|
|
|
||
|
|
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)：
|
||
|
|
|
||
|
|
```shell
|
||
|
|
$ pip install -r requirements.txt
|
||
|
|
```
|
||
|
|
|
||
|
|
[依赖环境和性能配置要求](https://wiki.ailemon.net/docs/asrt-doc/asrt-doc-1deobk7bmlgd6)
|
||
|
|
|
||
|
|
## 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](https://blog.ailemon.net/2018/11/21/free-open-source-chinese-speech-datasets/)
|
||
|
|
|
||
|
|
|数据集|时长|大小|国内下载|国外下载|
|
||
|
|
|-|-|-|-|-|
|
||
|
|
|THCHS30|40h|6.01G|[data_thchs30.tgz](<http://openslr.magicdatatech.com/resources/18/data_thchs30.tgz>)|[data_thchs30.tgz](<http://www.openslr.org/resources/18/data_thchs30.tgz>)|
|
||
|
|
|ST-CMDS|100h|7.67G|[ST-CMDS-20170001_1-OS.tar.gz](<http://openslr.magicdatatech.com/resources/38/ST-CMDS-20170001_1-OS.tar.gz>)|[ST-CMDS-20170001_1-OS.tar.gz](<http://www.openslr.org/resources/38/ST-CMDS-20170001_1-OS.tar.gz>)|
|
||
|
|
|AIShell-1|178h|14.51G|[data_aishell.tgz](<http://openslr.magicdatatech.com/resources/33/data_aishell.tgz>)|[data_aishell.tgz](<http://www.openslr.org/resources/33/data_aishell.tgz>)|
|
||
|
|
|Primewords|100h|8.44G|[primewords_md_2018_set1.tar.gz](<http://openslr.magicdatatech.com/resources/47/primewords_md_2018_set1.tar.gz>)|[primewords_md_2018_set1.tar.gz](<http://www.openslr.org/resources/47/primewords_md_2018_set1.tar.gz>)|
|
||
|
|
|aidatatang_200zh|200h|17.47G|[aidatatang_200zh.tgz](<http://openslr.magicdatatech.com/resources/62/aidatatang_200zh.tgz>)|[aidatatang_200zh.tgz](<http://www.openslr.org/resources/62/aidatatang_200zh.tgz>)|
|
||
|
|
|MagicData|755h|52G/1.0G/2.2G| [train_set.tar.gz](<http://openslr.magicdatatech.com/resources/68/train_set.tar.gz>) / [dev_set.tar.gz](<http://openslr.magicdatatech.com/resources/68/dev_set.tar.gz>) / [test_set.tar.gz](<http://openslr.magicdatatech.com/resources/68/test_set.tar.gz>)|[train_set.tar.gz](<http://www.openslr.org/resources/68/train_set.tar.gz>) / [dev_set.tar.gz](<http://www.openslr.org/resources/68/dev_set.tar.gz>) / [test_set.tar.gz](<http://www.openslr.org/resources/68/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](http://www.openslr.org)
|
||
|
|
|
||
|
|
## 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Demo|[ASRT_SDK_WinClient](https://github.com/nl8590687/ASRT_SDK_WinClient)|
|
||
|
|
|跨平台Python3客户端SDK和Demo|[ASRT_SDK_Python3](https://github.com/nl8590687/ASRT_SDK_Python3)|
|
||
|
|
|跨平台Golang客户端SDK和Demo|[asrt-sdk-go](https://github.com/nl8590687/asrt-sdk-go)|
|
||
|
|
|Java客户端SDK和Demo|[ASRT_SDK_Java](https://github.com/nl8590687/ASRT_SDK_Java)|
|
||
|
|
|
||
|
|
## ASRT相关资料
|
||
|
|
* [查看ASRT项目的Wiki文档](https://wiki.ailemon.net/docs/asrt-doc)
|
||
|
|
|
||
|
|
ASRT的原理请查看本文：
|
||
|
|
* [ASRT：一个中文语音识别系统](https://blog.ailemon.net/2018/08/29/asrt-a-chinese-speech-recognition-system/)
|
||
|
|
|
||
|
|
ASRT训练和部署教程请看：
|
||
|
|
* [教你如何使用ASRT训练中文语音识别模型](<https://blog.ailemon.net/2020/08/20/teach-you-how-use-asrt-train-chinese-asr-model/>)
|
||
|
|
* [教你如何使用ASRT部署中文语音识别API服务器](<https://blog.ailemon.net/2020/08/27/teach-you-how-use-asrt-deploy-chinese-asr-api-server/>)
|
||
|
|
|
||
|
|
关于经常被问到的统计语言模型原理的问题，请看：
|
||
|
|
|
||
|
|
* [统计语言模型：从中文拼音到文本](https://blog.ailemon.net/2017/04/27/statistical-language-model-chinese-pinyin-to-words/)
|
||
|
|
* [统计N元语言模型生成算法：简单中文词频统计](https://blog.ailemon.net/2017/02/20/simple-words-frequency-statistic-without-segmentation-algorithm/)
|
||
|
|
|
||
|
|
关于CTC的问题请看：
|
||
|
|
|
||
|
|
* [[翻译]使用CTC进行序列建模](<https://blog.ailemon.net/2019/07/18/sequence-modeling-with-ctc/>)
|
||
|
|
|
||
|
|
更多内容请访问作者的博客：[AI柠檬博客](https://blog.ailemon.net/)
|
||
|
|
|
||
|
|
或使用[AI柠檬站内搜索引擎](https://s.ailemon.net/)进行相关信息的搜索
|
||
|
|
|
||
|
|
## License 开源许可协议
|
||
|
|
|
||
|
|
[GPL v3.0](LICENSE) © [nl8590687](https://github.com/nl8590687) 作者：[AI柠檬](https://www.ailemon.net/)
|
||
|
|
|
||
|
|
## 参考引用本项目
|
||
|
|
|
||
|
|
[DOI: 10.5281/zenodo.5808434](https://doi.org/10.5281/zenodo.5808434)
|
||
|
|
|
||
|
|
## Contributors 贡献者们
|
||
|
|
|
||
|
|
[贡献者页面](https://github.com/nl8590687/ASRT_SpeechRecognition/graphs/contributors)
|
||
|
|
|
||
|
|
@nl8590687 (repo owner)
|