TensorflowASR

TensorflowASR

Tensorflow 2和Conformer结合的端到端语音识别解决方案

Tensorflow 2和Conformer结构打造的端到端语音识别模型,支持在线流式和离线识别,实时率约为0.1。该项目提供VAD、降噪、TTS数据增强等功能,并支持ONNX推理优化。训练结果在Aishell-1测试集上表现优异,适用于语音识别。最新更新的Chunk Conformer结构进一步提升了长时间语音识别的准确性和效率。

TensorflowASR语音识别ConformerCTCONNXGithub开源项目

TensorflowASR 项目介绍

项目概述

TensorflowASR 是一个基于 Tensorflow 2 和 Conformer 结构的端到端语音识别模型,适用于 Python 3.6 及以上版本。其设计旨在提供高效且准确的实时语音识别功能,尤其在 CPU 环境下可实现大约 0.1 的实时率。当前的模型版本 V2 采用 CTC+translate 结构,并对中文语音识别进行了优化。

项目功能

  • 语音活动检测(VAD)和降噪处理:提升语音识别的准确性。
  • 在线流式和离线识别:支持不同应用场景的灵活切换。
  • 标点恢复:在语音转文本过程中自动处理标点符号。
  • 基于 TTS 的数据增强:通过语音合成等技术手段提升训练数据的多样性和质量。
  • 音色转换和远近场数据增强:改善模型的泛化能力。

模型性能对比

在 Aishell-1 数据集上进行的离线测试结果表明,TensorflowASR 的 Conformer 结构展示了较为竞争的性能,中文字符错误率(CER)为 6.8%。在流式测试中,StreamingConformerCTC 结构的 CER 达到 7.2%,表现优于许多传统方法。

TTS 数据增强系统

为了让语音识别在缺少丰富数据的条件下仍能表现优异,项目提供了专门用于 ASR 的 TTS 系统。用户可以创建一个文本列表,通过提供的脚本生成合成语料,并选择音色和音色转换参数,以此生成丰富的训练数据。

技术实现

项目通过 TF2 实现了 Mel 层以提取语音频谱特征,并提供了优化的 Python 和 Cpp 推理方案。推理方案基于 ONNX 实现,支持较为广泛的应用部署。特别是对于流式识别,项目支持 Block Conformer + Global CTC 和 Chunk Conformer + CTC Picker 两种架构,以适应不同场景的需求。

预训练模型

提供多种已经在 AISHELL 数据集上评估的预训练模型,用户可以直接使用这些模型进行推理或进一步的训练,支持灵活的应用开发。

使用指南

使用者需要准备好训练和测试数据列表,配置 am_data.yml 文件中的训练选项,并根据所需的模型结构更新相应的配置。通过简单的命令即可完成训练和测试。不仅限于 ASR,用户还可以根据相似的步骤训练 VAD 或标点恢复等模型。

支持的模型结构

TensorflowASR 目前支持多种模型结构,包括:

  • Conformer
  • BlockConformer
  • ChunkConformer

环境要求

项目要求使用 Python 3.6 以上版本,以及 Tensorflow 2.8 以上版本。依赖库包括 librosa、keras-bert 和 onnxruntime 等。

参考与许可

项目参考了多个优秀的开源项目,如 PaddlePaddle 的 DeepSpeech 等。使用者可以自由地在学术研究和商业产品开发中利用此项目,但禁止将其作为商品交易。

TensorflowASR 是一个强大而灵活的工具,适合研究人员和开发者在语音识别领域进行探索与开发。通过不断更新和社区支持,该项目将持续提升其性能与应用能力。欢迎大家积极参与并贡献自己的想法与代码。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多