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。
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
- 本项目支持流式识别模型
deepspeech2、conformer、squeezeformer，efficient_conformer，每个模型都支持流式识别和非流式识别，在配置文件中streaming参数设置。 - 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。 - 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。
- 2023.01.28: 调整配置文件结构，支持efficient_conformer模型。
- 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。
这里介绍如何使用PPASR快速进行语音识别，前提是要安装PPASR，文档请看快速安装。执行过程不需要手动下载模型，全部自动完成。
- 短语音识别
from ppasr.predict import PPASRPredictor
predictor = PPASRPredictor(model_tag='conformer_streaming_fbank_wenetspeech')
wav_path = 'dataset/test.wav'
result = predictor.predict(audio_data=wav_path, use_pun=False)
score, text = result['score'], result['text']
print(f"识别结果: {text}, 得分: {int(score)}")- 长语音识别
from ppasr.predict import PPASRPredictor
predictor = PPASRPredictor(model_tag='conformer_streaming_fbank_wenetspeech')
wav_path = 'dataset/test_long.wav'
result = predictor.predict_long(audio_data=wav_path, use_pun=False)
score, text = result['score'], result['text']
print(f"识别结果: {text}, 得分: {score}")- 模拟流式识别
import time
import wave
from ppasr.predict import PPASRPredictor
predictor = PPASRPredictor(model_tag='conformer_streaming_fbank_wenetspeech')
# 识别间隔时间
interval_time = 0.5
CHUNK = int(16000 * interval_time)
# 读取数据
wav_path = 'dataset/test.wav'
wf = wave.open(wav_path, 'rb')
data = wf.readframes(CHUNK)
# 播放
while data != b'':
start = time.time()
d = wf.readframes(CHUNK)
result = predictor.predict_stream(audio_data=data, use_pun=False, is_end=d == b'')
data = d
if result is None: continue
score, text = result['score'], result['text']
print(f"【实时结果】：消耗时间：{int((time.time() - start) * 1000)}ms, 识别结果: {text}, 得分: {int(score)}")
# 重置流式识别
predictor.reset_stream()- WenetSpeech (10000小时) 的预训练模型列表：
| 使用模型 | 是否为流式 | 预处理方式 | 语言 | 测试集字错率 | 下载地址 |
|---|---|---|---|---|---|
| conformer | True | fbank | 普通话 | 0.03579(aishell_test) 0.11081(test_net) 0.16031(test_meeting) |
点击下载 |
| deepspeech2 | True | fbank | 普通话 | 0.05379(aishell_test) | 点击下载 |
- WenetSpeech (10000小时)+中文语音数据集 (3000+小时) 的预训练模型列表：
| 使用模型 | 是否为流式 | 预处理方式 | 语言 | 测试集字错率 | 下载地址 |
|---|---|---|---|---|---|
| conformere | True | fbank | 普通话 | 0.02923(aishell_test) 0.11876(test_net) 0.18346(test_meeting) |
点击下载 |
- AIShell (179小时) 的预训练模型列表：
| 使用模型 | 是否为流式 | 预处理方式 | 语言 | 测试集字错率 | 下载地址 |
|---|---|---|---|---|---|
| squeezeformer | True | fbank | 普通话 | 0.04675 | 点击下载 |
| conformer | True | fbank | 普通话 | 0.04178 | 点击下载 |
| efficient_conformer | True | fbank | 普通话 | 0.04143 | 点击下载 (导出问题待解决) |
| deepspeech2 | True | fbank | 普通话 | 0.09732 | 点击下载 |
- Librispeech (960小时) 的预训练模型列表：
| 使用模型 | 是否为流式 | 预处理方式 | 语言 | 测试集词错率 | 下载地址 |
|---|---|---|---|---|---|
| squeezeformer | True | fbank | 英文 | 点击下载 | |
| conformer | True | fbank | 英文 | 0.08109 | 点击下载 |
| efficient_conformer | True | fbank | 英文 | 点击下载 | |
| deepspeech2 | True | fbank | 英文 | 0.15294 | 点击下载 |
说明：
- 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。 - 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。 - 由于算力不足，这里只提供了流式模型，但全部模型都支持流式和非流式的，在配置文件中
streaming参数设置。
有问题欢迎提 issue 交流
- 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
- 感谢
JetBrains开源社区 提供开发工具。
