speech-recognition-uk

项目简介：Ukrainian 语音识别与合成

概述

Speech Recognition & Synthesis for Ukrainian 项目致力于收集与乌克兰语音识别与合成相关的模型、数据集和工具链接。项目的目标是推动乌克兰语言技术的发展，为社会提供更好的语音到文本（Speech-to-Text）和文本到语音（Text-to-Speech）解决方案。

项目社区

• 加入项目 Discord 群组以参与讨论和交流：Discord
• 参与语音识别相关讨论：Telegram 语音识别频道
• 参与语音合成相关讨论：Telegram 语音合成频道

语音到文本（Speech-to-Text）

项目包含了多个不同模型的实现，每个模型都有不同的参数和适用场景：

主要模型实现

• Wav2vec2-BERT：使用约 600M 参数的模型进行语义识别，具备优秀的听觉模型转换能力。
• Wav2vec2：提供多种参数选择的模型，支持不同数据源的语言模型，包括新闻文本和 Wikipedia 文本。
• FastConformer：专注于文本标点和大写处理，具有优越的文本准确识别能力。
• Squeezeformer 和 Flashlight：支持高效语音识别并提供不同复杂度的模型以供选择。

每种模型的详细实现及演示可以在相关的 GitHub 链接 中查看。

语音识别基准测试

项目使用 Common Voice 10 的测试数据进行基准测试，计算结果包括识别错误率（WER）、字符错误率（CER）及准确率百分比，以帮助开发者选择和评估模型。

开发指南

• 提供使用 Kaldi 训练自定义模型的指南。
• 可使用 KenLM 模型对乌克兰 Wikipedia 数据进行训练。
• 提供将 wav2vec2 模型导出为 JIT 版本的教程。

数据集

项目从多种开放来源、公司及社区收集了约 1200 小时/188.31GB 的已编译数据集，另一重要数据集为 Voice of America，共 398 小时。此外，还收集了如 Mozilla Common Voice 和 YODAS2 等其他有用数据资源。

文本到语音（Text-to-Speech）

项目通过多个实现为文本到语音转换提供多种选择：

主要实现

• StyleTTS2 和 P-Flow TTS：提供优化的发音质量和定制选项的实现。
• RAD-TTS：支持多种声音的变化（如 Lada, Tetiana 和 Mykyta），实现个性化语音生成。
• Coqui TTS 和 Neon TTS：提供强大的文本到语音解决方案，同时具备良好的细节处理能力。

数据集

项目公开了一系列开放语音数据集，包括多个性别的样本声音（例如 LADA、TETIANA 和 MYKYTA 等），有助于开发者创建更丰富的 TTS 系统。

相关工作的支持

项目还涉及乌克兰语调和重音模型，工具用于高质量文本到语音语料库的生成，支持多种文本规范化处理。

通过 Speech Recognition & Synthesis for Ukrainian 项目，开发者和研究人员可以更深入地探索和推进乌克兰语言技术的边界，以期为更多领域提供突破性的技术解决方案。