11 KiB
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 |
ASRT项目主页 | 发布版下载 | 查看本项目的Wiki文档 | 实用效果体验Demo | 打赏作者
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”
提问前请仔细查看项目文档、 FAQ常见问题 以及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 20.04+ / CentOS 7+ (训练+推理) 或 Windows: 10/11(仅推理)
- Python: 3.9 - 3.11 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。
$ 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。
$ 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：
$ 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
本项目开始训练请执行：
$ python3 train_speech_model.py
本项目开始测试请执行：
$ 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：
$ python3 predict_speech_file.py
启动ASRT HTTP协议的API服务器启动请执行：
$ python3 asrserver_http.py
本地测试调用HTTP协议API服务是否成功：
$ python3 client_http.py
启动ASRT GRPC协议的API服务器启动请执行：
$ python3 asrserver_grpc.py
本地测试调用GRPC协议API服务是否成功：
$ 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。
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：
$ 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。
Github本仓库下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)：
$ pip install -r requirements.txt
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
| 数据集 | 时长 | 大小 | 国内下载 | 国外下载 |
|---|---|---|---|---|
| THCHS30 | 40h | 6.01G | data_thchs30.tgz | data_thchs30.tgz |
| ST-CMDS | 100h | 7.67G | ST-CMDS-20170001_1-OS.tar.gz | ST-CMDS-20170001_1-OS.tar.gz |
| AIShell-1 | 178h | 14.51G | data_aishell.tgz | data_aishell.tgz |
| Primewords | 100h | 8.44G | primewords_md_2018_set1.tar.gz | primewords_md_2018_set1.tar.gz |
| MagicData | 755h | 52G/1.0G/2.2G | train_set.tar.gz / dev_set.tar.gz / test_set.tar.gz | train_set.tar.gz / dev_set.tar.gz / 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
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 |
| 跨平台Python3客户端SDK和Demo | ASRT_SDK_Python3 |
| 跨平台Golang客户端SDK和Demo | asrt-sdk-go |
| Java客户端SDK和Demo | ASRT_SDK_Java |
ASRT相关资料
ASRT的原理请查看本文：
ASRT训练和部署教程请看：
关于经常被问到的统计语言模型原理的问题，请看：
关于CTC的问题请看：
更多内容请访问作者的博客：AI柠檬博客
或使用AI柠檬站内搜索引擎进行相关信息的搜索
License 开源许可协议
参考引用本项目
Contributors 贡献者们
@nl8590687 (repo owner)