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

Trae

Trae

字节跳动发布的AI编程神器IDE

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

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。

咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

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

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手

材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

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

Trae

字节跳动发布的AI编程神器IDE

豆包

字节跳动旗下 AI 智能助手

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