ASRT: A Deep-Learning-Based Chinese Speech Recognition System

ASRT是一个基于深度学习的中文语音识别系统，如果您觉得喜欢，请点一个 "Star" 吧~

ReadMe Language | 中文版 | English |

ASRT项目主页 | 发布版下载 | 查看本项目的Wiki文档 | 实用效果体验Demo | 打赏作者

如果程序运行期间或使用中有什么问题，可以及时在issue中提出来，我将尽快做出答复。本项目作者交流QQ群：894112051

提问前请仔细查看项目文档、 常见问题 以及Issues 避免重复提问

以下问题AI柠檬博主和群友可能会拒绝回答，包括但不限于：

• 询问已经写在 ASRT语音识别项目文档 和 Issues 上解决过的已知重复问题。
• 找不到重点、不知所云的提问内容，但是不给出任何其他信息。
• 跟ASRT项目没有直接相关的问题
• “伸手党”类的问题

请注意，开发者并没有义务回复您的问题，也没用义务免费给你打工，您应该具备基本的提问技巧，并善用搜索引擎，
每个人的时间都是宝贵的。

有关AI柠檬ASRT语音项目的相关信息亦可使用AI柠檬站内搜索引擎进行相关信息的搜索。

ASRT相关资料

ASRT的原理请查看本文：

• ASRT：一个中文语音识别系统

ASRT训练和部署教程请看：

• 教你如何使用ASRT训练中文语音识别模型
• 教你如何使用ASRT部署中文语音识别API服务器

关于经常被问到的统计语言模型原理的问题，请看：

• 统计语言模型：从中文拼音到文本
• 统计N元语言模型生成算法：简单中文词频统计

关于CTC的问题请看：

• [翻译]使用CTC进行序列建模

更多内容请访问作者的博客：AI柠檬博客

或使用AI柠檬站内搜索引擎进行相关信息的搜索

Introduction 简介

本项目使用Keras、TensorFlow基于深度卷积神经网络和长短时记忆神经网络、注意力机制以及CTC实现。

This project uses Keras, TensorFlow based on deep convolutional neural network and long-short memory neural network, attention mechanism and CTC to implement.

• 操作步骤

首先通过Git将本项目克隆到您的计算机上，然后下载本项目训练所需要的数据集，下载链接详见文档末尾部分。

$ git clone https://github.com/nl8590687/ASRT_SpeechRecognition.git

或者您也可以通过 "Fork" 按钮，将本项目Copy一份副本，然后通过您自己的SSH密钥克隆到本地。

通过git克隆仓库以后，进入项目根目录；并创建子目录 dataset/ (可使用软链接代替)，然后将下载好的数据集直接解压进去

注意，当前版本中，Thchs30和ST-CMDS两个数据集都必须下载使用，缺一不可，并且使用其他数据集需要修改代码。

$ cd ASRT_SpeechRecognition

$ mkdir dataset

$ tar zxf <数据集压缩文件名> -C dataset/ 

然后需要将datalist目录下的文件全部拷贝到 dataset/ 目录下，也就是将其跟数据集放在一起。

$ cp -rf datalist/* dataset/

目前可用的模型有24、25和251

运行本项目之前，请安装必要的Python3版依赖库

本项目开始训练请执行：

$ python3 train_mspeech.py

本项目开始测试请执行：

$ python3 test_mspeech.py

测试之前，请确保代码中填写的模型文件路径存在。

ASRT API服务器启动请执行：

$ python3 asrserver.py

请注意，开启API服务器之后，需要使用本ASRT项目对应的客户端软件来进行语音识别，详见Wiki文档ASRT客户端Demo。

如果要训练和使用非251版模型，请在代码中 import SpeechModel 的相应位置做修改。

Model 模型

Speech Model 语音模型

CNN + LSTM/GRU + CTC

其中，输入的音频的最大时间长度为16秒，输出为对应的汉语拼音序列

• 关于下载已经训练好的模型的问题

已经训练好的模型包含在发布版服务端程序压缩包里面，发布版成品服务端程序可以在此下载：ASRT下载页面。

Github本仓库下Releases页面里面还包括各个不同版本的介绍信息，每个版本下方的zip压缩包也是包含已经训练好的模型的发布版服务端程序压缩包。

Language Model 语言模型

基于概率图的最大熵隐马尔可夫模型

输入为汉语拼音序列，输出为对应的汉字文本

About Accuracy 关于准确率

当前，最好的模型在测试集上基本能达到80%的汉语拼音正确率

不过由于目前国际和国内的部分团队能做到98%，所以正确率仍有待于进一步提高

Python Import

Python的依赖库

• python_speech_features
• TensorFlow (1.15 - 2.x)
• Numpy
• wave
• matplotlib
• math
• Scipy
• h5py
• http
• urllib
• requests

不会安装环境的同学请直接运行以下命令(前提是有GPU且已经安装好 CUDA 11.2 和 cudnn 8.1)：

$ pip install -r requirements.txt

程序运行依赖环境详细说明

Data Sets 数据集

几个最新免费开源的中文语音数据集

• 清华大学THCHS30中文语音数据集

  data_thchs30.tgz OpenSLR国内镜像 OpenSLR国外镜像

  test-noise.tgz OpenSLR国内镜像 OpenSLR国外镜像

  resource.tgz OpenSLR国内镜像 OpenSLR国外镜像

• Free ST Chinese Mandarin Corpus

  ST-CMDS-20170001_1-OS.tar.gz OpenSLR国内镜像 OpenSLR国外镜像

• AIShell-1 开源版数据集

  data_aishell.tgz OpenSLR国内镜像 OpenSLR国外镜像

  注：数据集解压方法

  $ tar xzf data_aishell.tgz
  $ cd data_aishell/wav
  $ for tar in *.tar.gz;  do tar xvf $tar; done
  

• Primewords Chinese Corpus Set 1

  primewords_md_2018_set1.tar.gz OpenSLR国内镜像 OpenSLR国外镜像

• aidatatang_200zh

  aidatatang_200zh.tgz OpenSLR国内镜像 OpenSLR国外镜像

• MagicData

  train_set.tar.gz OpenSLR国内镜像 OpenSLR国外镜像

  dev_set.tar.gz OpenSLR国内镜像 OpenSLR国外镜像

  test_set.tar.gz OpenSLR国内镜像 OpenSLR国外镜像

  metadata.tar.gz OpenSLR国内镜像 OpenSLR国外镜像

特别鸣谢！感谢前辈们的公开语音数据集

如果提供的数据集链接无法打开和下载，请点击该链接 OpenSLR

License 开源许可协议

GPL v3.0 © nl8590687 作者：AI柠檬

Contributors 贡献者们

@zw76859420 @madeirak @ZJUGuoShuai @williamchenwl

@nl8590687 (repo owner)