TensorFlowASR使用手册
2024-09-27 21:10:45作者:牧宁李
项目概述
TensorFlowASR 是一个致力于提升CPU上自动语音识别(ASR)模型性能的项目,其目标是使CPU端的模型接近GPU的性能表现。该项目特别强调在CPU上实现低实时率(Real-Time Factor, RTF),通常小于0.1。它基于TensorFlow 2.x,提供了包括Conformer在内的多种架构,并专注于实时在线和离线语音识别。
项目目录结构及介绍
下面是TensorFlowASR的基本目录结构及其重要组件说明:
TensorflowASR/
|-- Inference # 推理相关代码和配置
|-- augmentations # 数据增强模块
|-- externals # 外部依赖或工具
|-- leaf_audio # 音频处理相关模块
|-- punc_recover # 标点恢复相关的代码
|-- utils # 辅助函数集合
|-- vad # 语音活动检测(VAD)相关实现
|-- ... (更多核心模块)
|-- .gitignore # Git忽略文件配置
|-- LICENSE # 开源许可证文件
|-- README.md # 项目介绍与快速入门指南
|-- community.jpg # 社区相关图片
|-- eval_*.py # 评估脚本
|-- test_*.py # 单元测试脚本
|-- train_*.py # 训练脚本
|-- am_data.yml # 音素数据配置文件
|-- config_model/*.yml # 模型配置文件
项目启动文件介绍
-
主要入口:项目的核心运行脚本分散在不同的任务中,主要的启动脚本包括:
train_asr.py:用于训练模型的脚本,通过配置文件指定模型和数据集。test_asr.py:提供了一个演示如何进行测试的简单示例,可以根据需求自定义音频处理和识别过程。eval_am.py和eval_punc.py等:用于评估模型性能的脚本。
-
配置引导:项目运作的关键在于配置文件的正确设定,比如
am_data.yml控制数据处理细节,而特定模型的配置如conformer.yml定义模型结构和训练细节。
项目配置文件介绍
主要配置文件解析
-
am_data.yml- 作用:此文件主要用于定义音频模型的数据处理参数,包括数据目录、标签映射、声学特征提取设置等。
-
模型配置文件(如
conformer.yml)- 详解:这些文件详细描述了模型架构的选择(如Conformer)、超参数(学习率、批次大小等)、优化器类型和损失函数等。它们允许用户根据需要调整模型的复杂度和训练策略。
-
其他配置:还包括VAD和标点恢复等组件的配置文件,分别用于设置相应的训练和处理流程。
配置文件使用示例
-
训练模型:启动训练过程前,首先编辑
am_data.yml指定数据路径和预处理偏好。然后,运行python train_asr.py --data_config am_data.yml --model_config conformer.yml来开始训练Conformer模型。 -
转换为ONNX:对于部署目的,可能需要将模型转换为ONNX格式。虽然具体的脚本未直接提及,一般涉及调用类似
tf2onnx的工具,这通常在项目中或其文档中会有指导。
请注意,实际操作前务必查阅最新的README.md,因为它包含了最新指令、依赖安装和任何潜在的变更。此外,具体配置文件的字段和可用选项可能会随项目更新而变化,因此建议始终对照最新的文档进行配置。
登录后查看全文
热门项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
250
2.49 K
deepin linux kernel
C
24
6
Ascend Extension for PyTorch
Python
91
119
暂无简介
Dart
549
122
React Native鸿蒙化仓库
JavaScript
217
300
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.02 K
600
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
595
128
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
410
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
356
1.76 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
153
204