StreamSpeech 开源项目使用教程
2024-09-14 14:35:49作者:盛欣凯Ernestine
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。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 开源电子设计自动化利器:KiCad EDA全方位使用指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案
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