首页
/ StreamSpeech 开源项目使用教程

StreamSpeech 开源项目使用教程

2024-09-14 17:44:23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 fairseqSimulEval

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

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
168
2.05 K
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
101
610
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
199
279
RuoYi-Vue3RuoYi-Vue3
🎉 (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
954
563
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17
apintoapinto
基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0