python版本 GitHub 分支 GitHub 仓库星标 GitHub

MASR流式与非流式语音识别项目

MASR是一款基于Pytorch实现的自动语音识别框架，MASR全称是神奇的自动语音识别框架（Magical Automatic Speech Recognition），当前为V2版本，如果想使用V1版本，请在这个分支r1.x。MASR致力于简单，实用的语音识别项目。可部署在服务器，Nvidia Jetson设备，未来还计划支持Android等移动设备。

欢迎大家扫码入知识星球或者QQ群讨论，知识星球里面提供项目的模型文件和博主其他相关项目的模型文件，也包括其他一些资源。

本项目使用的环境：

Anaconda 3
Python 3.11
Pytorch 2.0.1
Windows 10 或 Ubuntu 18.04

项目快速了解

本项目支持流式识别模型deepspeech2、conformer、squeezeformer，efficient_conformer，每个模型都支持流式识别和非流式识别，在配置文件中streaming参数设置。
本项目支持两种解码器，分别是集束搜索解码器ctc_beam_search和贪心解码器ctc_greedy，集束搜索解码器ctc_beam_search准确率更高。
下面提供了一系列预训练模型的下载，下载预训练模型之后，需要把全部文件复制到项目根目录，并执行导出模型才可以使用语音识别。

更新记录

2023.01.28: 调整配置文件结构，支持efficient_conformer模型。
2022.11: 正式发布最终级的V2版本。

视频讲解

这个是PPSAR的视频教程，项目是通用的，可以参考使用。

在线使用

- 在线使用演示

快速使用

这里介绍如何使用MASR快速进行语音识别，前提是要安装MASR，文档请看快速安装。执行过程不需要手动下载模型，全部自动完成。

短语音识别

from masr.predict import MASRPredictor

predictor = MASRPredictor(model_tag='conformer_streaming_fbank_aishell')
wav_path = 'dataset/test.wav'
result = predictor.predict(audio_data=wav_path, use_pun=False)
score, text = result['score'], result['text']
print(f"识别结果: {text}, 得分: {int(score)}")

长语音识别

from masr.predict import MASRPredictor

predictor = MASRPredictor(model_tag='conformer_streaming_fbank_aishell')

wav_path = 'dataset/test_long.wav'
result = predictor.predict_long(audio_data=wav_path, use_pun=False)
score, text = result['score'], result['text']
print(f"识别结果: {text}, 得分: {score}")

模拟流式识别

import time
import wave

from masr.predict import MASRPredictor

predictor = MASRPredictor(model_tag='conformer_streaming_fbank_aishell')

# 识别间隔时间
interval_time = 0.5
CHUNK = int(16000 * interval_time)
# 读取数据
wav_path = 'dataset/test.wav'
wf = wave.open(wav_path, 'rb')
data = wf.readframes(CHUNK)
# 播放
while data != b'':
    start = time.time()
    d = wf.readframes(CHUNK)
    result = predictor.predict_stream(audio_data=data, use_pun=False, is_end=d == b'')
    data = d
    if result is None: continue
    score, text = result['score'], result['text']
    print(f"【实时结果】：消耗时间：{int((time.time() - start) * 1000)}ms, 识别结果: {text}, 得分: {int(score)}")
# 重置流式识别
predictor.reset_stream()

模型下载

WenetSpeech（10000小时）的预训练模型列表：

使用模型	是否为流式	预处理方式	语言	测试集字错率	下载地址
conformer	是	fbank	普通话

WenetSpeech（10000小时）+中文语音数据集（3000+小时）的预训练模型列表：

使用模型	是否为流式	预处理方式	语言	测试集字错率	下载地址
conformere	是	fbank	普通话	0.03179（aishell_test）<br>0.16722（test_net）<br>0.20317（test_meeting）	加入知识星球获取

AIShell（179小时）的预训练模型列表：

使用模型	是否为流式	预处理方式	语言	测试集字错率	下载地址
squeezeformer	是	fbank	普通话	0.04137	加入知识星球获取
conformer	是	fbank	普通话	0.04491	加入知识星球获取
efficient_conformer	是	fbank	普通话	0.04073	加入知识星球获取
deepspeech2	是	fbank	普通话	0.06907	加入知识星球获取

Librispeech（960小时）的预训练模型列表： | 模型 | 流式 | 预处理 | 语言 | 测试集词错率 | 下载地址 | |:-------------------:|:-----:|:-----:|:--:|:-------:|:--------:| | squeezeformer | 是 | fbank | 英文 | 0.09715 | 加入知识星球获取 | | conformer | 是 | fbank | 英文 | 0.09265 | 加入知识星球获取 | | efficient_conformer | 是 | fbank | 英文 | | 加入知识星球获取 | | deepspeech2 | 是 | fbank | 英文 | 0.19423 | 加入知识星球获取 |

说明：

此处的字错率或词错率是使用eval.py程序并采用集束搜索解码ctc_beam_search方法计算得出的。
未提供预测模型，需要将所有文件复制到项目根目录下，执行export_model.py导出预测模型。
由于算力有限，这里仅提供了流式模型，但所有模型都支持流式和非流式，可在配置文件中通过streaming参数设置。

如有问题欢迎在 issue 中交流

文档教程

赞助作者

<br/> <div align="center"> <p>给作者一块钱打赏支持</p> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/bcec147a-c7f0-4e6c-934a-0d15afbab682.png" alt="打赏作者" width="400"> </div>