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），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QQ群讨论，或者直接搜索QQ群号1169600237，问题答案为博主Github的IDyeyupiaoling。
本项目使用的环境：
- Anaconda 3
- Python 3.8
- Pytorch 1.12.1
- Windows 10 or Ubuntu 18.04
- 2022.08.27: 修改使用kaldi实现
fbank和mfcc预处理方法。 - 2022.08.22: 增加非流式模型
deepspeech2_no_stream和deepspeech2_big_no_stream。 - 2022.08.04: 发布1.0版本，优化实时识别流程。
- 2022.07.12: 完成GUI界面的录音实时识别。
- 2022.06.14: 支持
deepspeech2_big模型，适合WenetSpeech大数据集训练模型。 - 2022.01.16: 支持多种预处理方法。
- 2022.01.15: 支持英文语音识别。
- 2022.01.13: 支持给识别结果加标点符号
- 2021.12.26: 支持pip方式安装。
- 2021.12.25: 初步完成基本程序。
本项目支持流式识别模型deepspeech2、deepspeech2_big，非流式模型deepspeech2_no_stream、deepspeech2_big_no_stream。
| 使用模型 | 数据集 | 预处理方式 | 参数大小（M） | 语言 | 测试集字错率（词错率） | 下载地址 |
|---|---|---|---|---|---|---|
| deepspeech2_big | WenetSpeech (10000小时) | fbank | 167 | 中文 | 0.08944(AIShell的测试集) | 点击下载 |
| deepspeech2 | aishell (179小时) | fbank | 35 | 中文 | 0.07321 | 点击下载 |
| deepspeech2_big | aishell (179小时) | fbank | 167 | 中文 | 0.04879* |
点击下载 |
| deepspeech2_no_stream | aishell (179小时) | fbank | 98 | 中文 | 0.06518 | 点击下载 |
| deepspeech2_big_no_stream | aishell (179小时) | fbank | 473 | 中文 | 点击下载 | |
| deepspeech2 | aishell (179小时) | linear | 35 | 中文 | 0.07991 | 点击下载 |
| deepspeech2_big | aishell (179小时) | linear | 167 | 中文 | 0.09148 | 点击下载 |
| deepspeech2_no_stream | aishell (179小时) | linear | 98 | 中文 | 0.06865 | 点击下载 |
| deepspeech2_big_no_stream | aishell (179小时) | linear | 473 | 中文 | 0.07588 | 点击下载 |
| deepspeech2 | Librispeech (960小时) | fbank | 35 | 英文 | 0.17229 | 点击下载 |
| deepspeech2_big | Librispeech (960小时) | fbank | 167 | 英文 | 点击下载 | |
| deepspeech2_no_stream | Librispeech (960小时) | fbank | 98 | 英文 | 点击下载 | |
| deepspeech2_big_no_stream | Librispeech (960小时) | fbank | 473 | 英文 | 点击下载 | |
| deepspeech2 | 超大数据集(1600多小时真实数据)+(1300多小时合成数据) | linear | 35 | 中文 | 0.06215 | 点击下载(需要重新导出模型) |
| deepspeech2_big | 超大数据集(1600多小时真实数据)+(1300多小时合成数据) | linear | 167 | 中文 | 0.05517 | 先star项目再点击下载 |
说明：
- 这里字错率是使用
eval.py程序并使用集束搜索解码ctc_beam_search方法计算得到的。 - 中文解码参数为：
alpha=2.2，beta=4.3，beam_size=300，cutoff_prob=0.99，cutoff_top_n=40。 - 英文解码参数为：
alpha=1.9，beta=0.3，beam_size=500，cutoff_prob=1.0，cutoff_top_n=40。 - 除了aishell数据集按照数据集本身划分的训练数据和测试数据，其他的都是按照项目设置的固定比例划分训练数据和测试数据。
- 下载的压缩文件已经包含了
mean_std.npz和vocabulary.txt，需要把解压得到的全部文件复制到项目根目录下。 - 模型名称包含
no_stream为非流式模型，不能用于流式识别。 - 带有
*的使用了WenetSpeech作为预训练模型。 - 由于算力不足，大部分的模型都没有训练足够轮数，有算力的同学，欢迎提供模型。
有问题欢迎提 issue 交流
python infer_path.py --wav_path=./dataset/test.wav输出结果：
----------- Configuration Arguments -----------
alpha: 1.2
beam_size: 10
beta: 0.35
cutoff_prob: 1.0
cutoff_top_n: 40
decoding_method: ctc_greedy
enable_mkldnn: False
is_long_audio: False
lang_model_path: ./lm/zh_giga.no_cna_cmn.prune01244.klm
mean_std_path: ./dataset/mean_std.npz
model_dir: ./models/infer/
to_an: True
use_gpu: True
use_tensorrt: False
vocab_path: ./dataset/zh_vocab.txt
wav_path: ./dataset/test.wav
------------------------------------------------
消耗时间：132, 识别结果: 近几年不但我用书给女儿儿压岁也劝说亲朋不要给女儿压岁钱而改送压岁书, 得分: 94
- 长语音预测
python infer_path.py --wav_path=./dataset/test_vad.wav --is_long_audio=True- Web部署
- GUI界面部署
- 基于Pytorch实现的声纹识别：VoiceprintRecognition-Pytorch
- 基于Pytorch实现的分类：AudioClassification-Pytorch
- 基于PaddlePaddle实现的语音识别：PPASR