StreamSpeech 开源项目使用教程
2024-09-14 21:31:52作者:盛欣凯Ernestine
StreamSpeech
StreamSpeech is an “All in One” seamless model for offline and simultaneous speech recognition, speech translation and speech synthesis.
1. 项目介绍
StreamSpeech 是一个“All in One”无缝模型,专为离线和同时语音识别、语音翻译和语音合成而设计。该项目通过多任务学习框架,能够同时处理语音识别、语音翻译和语音合成任务,适用于实时通信场景。StreamSpeech 不仅支持离线处理,还支持同时处理,能够在接收语音输入的同时输出目标语音,极大地提升了实时通信的效率和用户体验。
2. 项目快速启动
环境准备
确保你的环境满足以下要求:
- Python == 3.10
- PyTorch == 2.0.1
安装依赖
首先,克隆项目到本地:
git clone https://github.com/ictnlp/StreamSpeech.git
cd StreamSpeech
安装 fairseq
和 SimulEval
:
cd fairseq
pip install --editable ./ --no-build-isolation
cd ../SimulEval
pip install --editable ./
模型下载
下载 StreamSpeech 模型和预训练的 HiFi-GAN 声码器:
# 下载 StreamSpeech 模型
# 例如:Fr-En 语言对的离线模型
wget https://huggingface.co/streamspeech/offline/fr-en/pt/model.pt
# 下载 HiFi-GAN 声码器
wget https://huggingface.co/streamspeech/vocoder/hifigan/fr-en/config.json
wget https://huggingface.co/streamspeech/vocoder/hifigan/fr-en/model.pt
数据准备
准备测试数据,格式如下:
# wav_list.txt
/path/to/source_speech1.wav
/path/to/source_speech2.wav
# target.txt
reference_text1
reference_text2
运行推理
使用 SimulEval
进行推理:
export CUDA_VISIBLE_DEVICES=0
ROOT=/path/to/StreamSpeech
PRETRAIN_ROOT=/path/to/pretrain_models
VOCODER_CKPT=$PRETRAIN_ROOT/unit-based_HiFi-GAN_vocoder/mHuBERT_layer11_km1000_en/g_00500000
VOCODER_CFG=$PRETRAIN_ROOT/unit-based_HiFi-GAN_vocoder/mHuBERT_layer11_km1000_en/config.json
LANG=fr
file=streamspeech_simultaneous_$LANG-en_pt
output_dir=$ROOT/res/streamspeech_simultaneous_$LANG-en/simul-s2st
chunk_size=320 #ms
PYTHONPATH=$ROOT/fairseq simuleval --data-bin $ROOT/configs/$LANG-en \
--user-dir $ROOT/researches/ctc_unity --agent-dir $ROOT/agent \
--source example/wav_list.txt --target example/target.txt \
--model-path $file \
--config-yaml config_gcmvn.yaml --multitask-config-yaml config_mtl_asr_st_ctcst.yaml \
--agent $ROOT/agent/speech_to_speech_streamspeech_agent.py \
--vocoder $VOCODER_CKPT --vocoder-cfg $VOCODER_CFG --dur-prediction \
--output $output_dir/chunk_size=$chunk_size \
--source-segment-size $chunk_size \
--quality-metrics ASR_BLEU --target-speech-lang en --latency-metrics AL AP DAL StartOffset EndOffset LAAL ATD NumChunks DiscontinuitySum DiscontinuityAve DiscontinuityNum RTF \
--device gpu --computation-aware \
--output-asr-translation True
3. 应用案例和最佳实践
实时语音翻译
StreamSpeech 可以应用于实时语音翻译场景,例如国际会议、跨国视频通话等。通过 StreamSpeech,用户可以在说话的同时听到翻译后的语音,极大地提升了跨语言交流的效率。
语音助手
在语音助手应用中,StreamSpeech 可以用于实时语音识别和语音合成,提升语音助手的响应速度和用户体验。
教育领域
在教育领域,StreamSpeech 可以用于实时语音翻译和语音合成,帮助学生更好地理解外语课程内容。
4. 典型生态项目
Fairseq
Fairseq 是一个用于序列到序列任务的强大工具包,StreamSpeech 基于 Fairseq 构建,提供了丰富的模型训练和推理功能。
SimulEval
SimulEval 是一个用于评估同时翻译系统的工具包,StreamSpeech 使用 SimulEval 进行模型评估和推理。
HiFi-GAN
HiFi-GAN 是一个高质量的语音合成模型,StreamSpeech 使用 HiFi-GAN 进行语音合成,提供了自然流畅的语音输出。
通过这些生态项目的支持,StreamSpeech 能够提供高效、准确的语音识别、翻译和合成服务。
StreamSpeech
StreamSpeech is an “All in One” seamless model for offline and simultaneous speech recognition, speech translation and speech synthesis.
热门项目推荐
相关项目推荐
- CangjieCommunity为仓颉编程语言开发者打造活跃、开放、高质量的社区环境Markdown6690
- redis-sdk仓颉语言实现的Redis客户端SDK。已适配仓颉0.53.4 Beta版本。接口设计兼容jedis接口语义,支持RESP2和RESP3协议,支持发布订阅模式,支持哨兵模式和集群模式。Cangjie32226
- Yi-CoderYi Coder 编程模型,小而强大的编程助手305
- qwerty-learner为键盘工作者设计的单词记忆与英语肌肉记忆锻炼软件 / Words learning and English muscle memory training software designed for keyboard workersTypeScript15.77 K1.48 K
- advanced-javaAdvanced-Java是一个Java进阶教程,适合用于学习Java高级特性和编程技巧。特点:内容深入、实例丰富、适合进阶学习。JavaScript76.1 K19.07 K
- taro开放式跨端跨框架解决方案,支持使用 React/Vue/Nerv 等框架来开发微信/京东/百度/支付宝/字节跳动/ QQ 小程序/H5/React Native 等应用。 https://taro.zone/TypeScript35.51 K4.79 K
- CommunityCangjie-TPC(Third Party Components)仓颉编程语言三方库社区资源汇总252
- Wwindows暂无简介Shell16.14 K1.35 K
- byzer-langByzer(以前的 MLSQL):一种用于数据管道、分析和人工智能的低代码开源编程语言。Scala1.88 K551
- AanacondaAnaconda turns your Sublime Text 3 in a full featured Python development IDE including autocompletion, code linting, IDE features, autopep8 formating, McCabe complexity checker Vagrant and Docker support for Sublime Text 3 using Jedi, PyFlakes, pep8, MyPy, PyLint, pep257 and McCabe that will never freeze your Sublime Text 3Python2.22 K263
热门内容推荐
展开
最新内容推荐
展开
项目优选
收起
CangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
669
0
RuoYi-Vue
🎉 基于SpringBoot,Spring Security,JWT,Vue & Element 的前后端分离权限管理系统,同时提供了 Vue3 的版本
Java
136
18
openHiTLS
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
10
4
redis-sdk
仓颉语言实现的Redis客户端SDK。已适配仓颉0.53.4 Beta版本。接口设计兼容jedis接口语义,支持RESP2和RESP3协议,支持发布订阅模式,支持哨兵模式和集群模式。
Cangjie
322
26
advanced-java
Advanced-Java是一个Java进阶教程,适合用于学习Java高级特性和编程技巧。特点:内容深入、实例丰富、适合进阶学习。
JavaScript
75.83 K
19.04 K
qwerty-learner
为键盘工作者设计的单词记忆与英语肌肉记忆锻炼软件 / Words learning and English muscle memory training software designed for keyboard workers
TSX
15.56 K
1.44 K
Jpom
🚀简而轻的低侵入式在线构建、自动部署、日常运维、项目监控软件
Java
1.41 K
292
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手
HTML
30
5
easy-es
Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
1.42 K
231
taro
开放式跨端跨框架解决方案,支持使用 React/Vue/Nerv 等框架来开发微信/京东/百度/支付宝/字节跳动/ QQ 小程序/H5/React Native 等应用。 https://taro.zone/
TypeScript
35.34 K
4.77 K