PPASR语音识别（最终级）

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（最终级）基于PaddlePaddle2实现的端到端自动语音识别，相比进阶级，最终级完善了部署上，使该项目能够在各个设备上部署使用。

本项目使用的环境：

• Anaconda 3
• Python 3.7
• PaddlePaddle 2.1.3
• Windows 10 or Ubuntu 18.04

更新记录

• 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	0.094837	点击下载
free_st_chinese_mandarin_corpus(109小时)	deepspeech2	0.171830	点击下载
thchs_30(34小时)	deepspeech2	0.011276	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	训练中	训练中

说明： 这里提供的是训练参数，不包括优化方法参数，如果要用于预测，还需要执行导出模型，使用的解码方法是贪心策略或集束搜索。

有问题欢迎提 issue 交流

文档教程

• 快速安装
• 数据准备
• 合成语音数据
• 数据增强
• 训练模型
• 集束搜索解码
• 执行评估
• 导出模型
• 预测
  • 本地模型
  • 长语音模型
  • Web部署模型
  • Nvidia Jetson部署

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

相关项目

• 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