april-asr

aprilasr是一个提供离线流式语音转文本应用程序API的最小库

文档

状态

该库目前正在开发中。一些功能尚未实现，可能存在bug和崩溃，API可能会发生重大变化。它可能还不适合用于生产环境。

此外，目前只有一个模型，只能处理英语，而且还存在一些准确性问题。

语言支持

该库有一个C语言API，还提供了C#和Python绑定，但这些可能还不稳定。

示例

在example.cpp中提供了该库的使用示例。它可以对WAV文件进行语音识别，或通过读取标准输入进行流式识别。

它被构建为main目标。构建aprilasr后，您可以这样运行它：

$ ./main /path/to/file.wav /path/to/model.april

对于流式识别，您可以将parec管道输入到它：

$ parec --format=s16 --rate=16000 --channels=1 --latency-ms=100 | ./main - /path/to/model.april

模型

目前只有一个可用模型，英语模型，基于csukuangfj的训练icefall模型作为基础，并使用一些额外数据进行了训练。

要制作自己的模型，请查看extra/exporting-howto.md

在Linux上构建

构建需要ONNXRuntime v1.13.1。您可以尝试从源代码构建它，或者直接下载发布的二进制文件。

下载ONNXRuntime

运行./download_onnx_linux_x64.sh以获取linux-x64版本。

对于其他平台，脚本应该非常相似，或者访问https://github.com/microsoft/onnxruntime/releases/tag/v1.13.1 并下载适合您平台的zip/tgz文件，然后将内容解压到名为lib的目录中。

如果将其放在lib中不是一个选择，您也可以定义环境变量ONNX_ROOT，其中包含您解压存档的路径。

从源代码构建ONNXRuntime（未经测试）

如果您已经下载了ONNXRuntime，则不需要执行此操作。

按照以下说明操作：https://onnxruntime.ai/docs/how-to/build/inferencing.html#linux

然后运行

cd build/Linux/RelWithDebInfo/
sudo make install

构建aprilasr

运行：

$ mkdir build
$ cd build
$ cmake -DCMAKE_BUILD_TYPE=Release ..
$ make -j4

现在您应该有了main、libaprilasr.so和libaprilasr_static.so。

如果运行main失败，因为找不到libonnxruntime.so.1.13.1，您可能需要使libonnxruntime.so.1.13.1可访问，如下所示：

$ export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:`pwd`/../lib/lib/

在Windows上构建（msvc）

在april-asr文件夹中创建一个名为lib的文件夹。

下载onnxruntime-win-x64-1.13.1.zip并将onnxruntime-win-x64-1.13.1文件夹的内容解压到lib文件夹中。

运行cmake来配置和生成Visual Studio项目文件。如果您下载了ONNXRuntime的x64版本，请确保选择x64作为目标。

打开ALL_BUILD.vcxproj，一切都应该可以构建。输出将在Release或Debug文件夹中。

运行main.exe时，您可能会收到类似这样的错误消息：

应用程序无法正确启动（0xc000007b）

要解决此问题，您需要使onnxruntime.dll可用。一种方法是将lib/lib/onnxruntime.dll复制到build/Debug和build/Release中。您可能需要将dll与您的应用程序一起分发。

应用

目前我正在开发Live Captions，这是一个提供实时字幕的Linux桌面应用程序。

致谢

感谢k2-fsa/icefall的贡献者创建了语音识别配方和模型。

本项目使用了几个库：

• pocketfft，作者Martin Reinecke，版权所有（C）2008-2018 Max-Planck-Society，根据BSD-3-Clause许可
• Sonic库，作者Bill Cox，版权所有（C）2010 Bill Cox，根据Apache 2.0许可
• tinycthread，作者Marcus Geelnard和Evan Nemerson，根据zlib/libpng许可

这些绑定基于Vosk API绑定，这是另一个基于前代Kaldi的语音识别库。Vosk的版权归Alpha Cephei Inc.所有，根据Apache 2.0许可。