icefall

icefall

多语种语音识别开源工具箱

icefall是基于k2-fsa和lhotse的开源语音识别工具箱，支持多种数据集和模型架构。它提供预训练模型和详细文档，便于快速部署和实验。icefall在LibriSpeech等基准数据集上表现出色，适合开发高性能的语音识别系统。

icefall语音识别k2-fsaZipformerTransducerGithub开源项目

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/fb599626-1be0-42c5-95bd-fff4a357610e.png" width=168> </div>

简介

icefall项目包含了使用k2-fsa和lhotse的各种数据集的语音相关配方。

您可以使用sherpa、sherpa-ncnn或sherpa-onnx来部署icefall中的模型；这些框架也支持icefall之外的模型；更多详情请参阅各自的文档。

您可以通过访问这个huggingface space，在浏览器中试用预训练模型，无需下载或安装任何东西。更多详情请参阅文档。

安装

请参阅文档进行安装。

配方

更多详情请参阅文档。

ASR: 自动语音识别

支持的数据集

[yesno][yesno]
[Aidatatang_200zh][aidatatang_200zh]
[Aishell][aishell]
[Aishell2][aishell2]
[Aishell4][aishell4]
[Alimeeting][alimeeting]
[AMI][ami]
[CommonVoice][commonvoice]
[Corpus of Spontaneous Japanese][csj]
[GigaSpeech][gigaspeech]
[LibriCSS][libricss]
[LibriSpeech][librispeech]
[Libriheavy][libriheavy]
[Multi-Dialect Broadcast News Arabic Speech Recognition][mgb2]
[PeopleSpeech][peoplespeech]
[SPGISpeech][spgispeech]
[Switchboard][swbd]
[TIMIT][timit]
[TED-LIUM3][tedlium3]
[TAL_CSASR][tal_csasr]
[Voxpopuli][voxpopuli]
[XBMU-AMDO31][xbmu-amdo31]
[WenetSpeech][wenetspeech]

未来将会添加更多数据集。

支持的模型

[LibriSpeech][librispeech]配方支持最全面的模型集合，欢迎您尝试。

CTC

TDNN LSTM CTC
Conformer CTC
Zipformer CTC

MMI

Conformer MMI
Zipformer MMI

Transducer

基于Conformer的编码器
基于LSTM的编码器
基于Zipformer的编码器
基于LSTM的预测器
无状态预测器

Whisper

OpenAI Whisper（我们支持在AiShell-1上进行微调）

如果您愿意为icefall做出贡献，请参阅contributing以获取更多详情。

我们想在此强调一些配方的性能。

[yesno][yesno]

这是icefall中最简单的ASR配方，可以在CPU上运行。训练不到30秒，就能得到以下WER：

[test_set] %WER 0.42% [1 / 240, 0 ins, 1 del, 0 sub ]

我们为这个配方提供了一个Colab笔记本：

[LibriSpeech][librispeech]

请查看RESULTS.md 获取最新结果。

Conformer CTC

	test-clean	test-other
WER	2.42	5.73

我们提供了一个Colab笔记本来测试预训练模型：

TDNN LSTM CTC

	test-clean	test-other
WER	6.59	17.69

我们提供了一个Colab笔记本来测试预训练模型：

Transducer (Conformer编码器 + LSTM预测器)

	test-clean	test-other
greedy_search	3.07	7.51

我们提供了一个Colab笔记本来测试预训练模型：

Transducer (Conformer编码器 + 无状态预测器)

	test-clean	test-other
modified_beam_search (`beam_size=4`)	2.56	6.27

我们提供了一个Colab笔记本来测试预训练模型：

Transducer (Zipformer编码器 + 无状态预测器)

WER（除非另有说明，否则使用modified_beam_search beam_size=4）

LibriSpeech-960小时

编码器	参数数量	test-clean	test-other	训练轮数	设备
Zipformer	65.5M	2.21	4.79	50	4 32G-V100
Zipformer-small	23.2M	2.42	5.73	50	2 32G-V100
Zipformer-large	148.4M	2.06	4.63	50	4 32G-V100
Zipformer-large	148.4M	2.00	4.38	174	8 80G-A100

LibriSpeech-960小时 + GigaSpeech

编码器	参数数量	test-clean	test-other
Zipformer	65.5M	1.78	4.08

LibriSpeech-960小时 + GigaSpeech + CommonVoice | 编码器 | 参数量 | test-clean | test-other | |--------|--------|------------|------------| | Zipformer | 65.5M | 1.90 | 3.98 |

[GigaSpeech][gigaspeech]

Conformer CTC

	开发集	测试集
词错率	10.47	10.58

Transducer (pruned_transducer_stateless2)

Conformer 编码器 + 无状态预测器 + k2 剪枝 RNN-T 损失

	开发集	测试集
贪婪搜索	10.51	10.73
快速束搜索	10.50	10.69
改进束搜索	10.40	10.51

Transducer (Zipformer 编码器 + 无状态预测器)

	开发集	测试集
贪婪搜索	10.31	10.50
快速束搜索	10.26	10.48
改进束搜索	10.25	10.38

[Aishell][aishell]

TDNN LSTM CTC

	测试集
字错率	10.16

我们提供了一个 Colab 笔记本来测试预训练模型：

Transducer (Conformer 编码器 + 无状态预测器)

	测试集
字错率	4.38

我们提供了一个 Colab 笔记本来测试预训练模型：

Transducer (Zipformer 编码器 + 无状态预测器)

词错率（改进束搜索 beam_size=4）

编码器	参数量	开发集	测试集	训练轮数
Zipformer	73.4M	4.13	4.40	55
Zipformer-small	30.2M	4.40	4.67	55
Zipformer-large	157.3M	4.03	4.28	56

[Aishell4][aishell4]

Transducer (pruned_transducer_stateless5)

1 使用所有子集训练：

	测试集
字错率	29.08

我们提供了一个 Colab 笔记本来测试预训练模型：

[TIMIT][timit]

TDNN LSTM CTC

	测试集
音素错误率	19.71%

我们提供了一个 Colab 笔记本来测试预训练模型：

TDNN LiGRU CTC

	测试集
音素错误率	17.66%

我们提供了一个 Colab 笔记本来测试预训练模型：

[TED-LIUM3][tedlium3]

Transducer (Conformer 编码器 + 无状态预测器)

	开发集	测试集
改进束搜索 (`beam_size=4`)	6.91	6.33

我们提供了一个 Colab 笔记本来测试预训练模型：

Transducer (pruned_transducer_stateless)

	开发集	测试集
改进束搜索 (`beam_size=4`)	6.77	6.14

我们提供了一个 Colab 笔记本来测试预训练模型：

[Aidatatang_200zh][aidatatang_200zh]

Transducer (pruned_transducer_stateless2)

	开发集	测试集
贪婪搜索	5.53	6.59
快速束搜索	5.30	6.34
改进束搜索	5.27	6.33

我们提供了一个 Colab 笔记本来测试预训练模型：

[WenetSpeech][wenetspeech]

Transducer (pruned_transducer_stateless2)

	开发集	测试网络	测试会议
贪婪搜索	7.80	8.75	13.49
快速束搜索	7.94	8.74	13.80
改进束搜索	7.76	8.71	13.41

我们提供了一个 Colab 笔记本来测试预训练模型：

转换器流式 (pruned_transducer_stateless5)

	开发集	测试网络	测试会议
贪婪搜索	8.78	10.12	16.16
快速束搜索	9.01	10.47	16.28
改进束搜索	8.53	9.95	15.81

[阿里会议][alimeeting]

转换器 (pruned_transducer_stateless2)

	评估集	测试网络
贪婪搜索	31.77	34.66
快速束搜索	31.39	33.02
改进束搜索	30.38	34.25

我们提供了一个 Colab 笔记本来测试预训练模型：

[TAL_CSASR][tal_csasr]

转换器 (pruned_transducer_stateless5)

中文字错率(CER%)和英文词错率(WER%)的最佳结果（zh: 中文，en: 英文）：

解码方法	开发集	开发集_中文	开发集_英文	测试集	测试集_中文	测试集_英文
贪婪搜索	7.30	6.48	19.19	7.39	6.66	19.13
快速束搜索	7.18	6.39	18.90	7.27	6.55	18.77
改进束搜索	7.15	6.35	18.95	7.22	6.50	18.70

我们提供了一个 Colab 笔记本来测试预训练模型：

TTS: 文本转语音

支持的数据集

[LJSpeech][ljspeech]
[VCTK][vctk]

支持的模型

VITS

使用 C++ 部署

一旦您在 icefall 中训练了模型，您可能希望使用 C++ 部署它，而不依赖 Python。

请参考以下内容了解如何操作：

我们还提供了一个 Colab 笔记本，向您展示如何在 [k2][k2] 中使用 C++ 运行 torch 脚本化模型。请查看：

编辑推荐精选

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台，广泛适用于电商广告、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手，复杂任务高效处理

AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！

TRAE编程

TRAE编程

AI辅助编程，代码自动修复

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门

蛙蛙写作

蛙蛙写作

AI小说写作助手，一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手

问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人

Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门

讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活

Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

下拉加载更多

探索AI的无限可能

访问

AI工具导航精选AI信息

推荐工具精选

TRAE编程

TRAE编程

AI辅助编程，代码自动修复

扣子-AI办公

扣子-AI办公

AI办公助手，复杂任务高效处理

讯飞文书

讯飞文书

提升文书撰写效率，满足高频需求

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘镜

讯飞绘镜

描述即创作，短视频轻松生成

阿里绘蛙

阿里绘蛙

AI驱动的电商营销工具，一键生成商拍图和种草文案

咔片PPT

咔片PPT

AI助力，做PPT更简单！

AI云服务特惠

懂AI专属折扣

关注微信公众号

最新AI工具、AI资讯
独家AI资源、AI项目落地

微信公众号二维码

微信扫一扫关注公众号

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号