Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
An Automatic Speech Recognition Frame ，一个中文语音识别的完整框架， 提供了多个模型
| Date | Stars |
|---|---|
| 2026-07-31 | 252 |
| 2026-08-01 | 252 |
| 2026-08-06 | 252 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# ASRFrame - 没有什么是10层卷积解决不了的。 - 如果有，就再来十层，再加个残差，再加个... # 更新日志 【2019年8月7日】更新了更改字典后的模型 【2019年8月7日】根据目前训练出的声学模型，对所有的数据进行了预测，并统计得到了预测错误的拼音对应的字典文件（保存到了`./util/dicts/errdict.json`下，修改了为语言模型提供数据集的类，支持按概率更改原拼音为错误拼音 【2019年8月21日】本项目暂停更新，日后有需要时再重启。 【2020年1月23日】本项目废弃 # 介绍 项目链接：https://github.com/sailist/ASRFrame 一个完整的语音识别框架，包括从数据清洗接口，数据读取接口到语音模型、声学模型、到最后的模型整合和UI的一整套流程 目前声学部分拼音识别准确率已经比较高了，但语言模型仍然存在诸多问题需要解决，因此开源该项目，希望大家群策群力，将它的效果进行提升。 # 本项目的优点 - 数据接口易于使用，常用的几个数据集已经实现了接口，只需要下载，解压，在配置文件中更改路径后，即可运行清洗方法，并自动获取所有音频和标注 - 模型类已经写好，只需要关注模型结构，并保证输入输出格式，之后只需不到10行代码即可完成自动保存、训练 - 集成了目前的几个开源项目中的模型，并训练了相应的模型文件 - 较为详细的注释和清晰的代码，易于学习和修改 # 本项目的缺点 - 识别率仍然是一个大痛点，语音到拼音的识别能有大概80%以上的识别率（不过即使识别错了，也能保证是音近字），但存在100%识别正确的可能，拼音到汉字可能会更低，但也存在100%识别正确的可能，这跟环境、语速、玄学有关 - 封装的有点太死了，如果要把模型取出来单独用可能会比较麻烦 # 部署方法 本项目仅需Python及其相关依赖包即可，省时省力，同时在realease中我提供了预训练的权重 ## 系统要求 Python - Distance (>=0.1.3) - jieba (>=0.39) - Keras (>=2.2.4) - librosa (>=0.6.3) - numpy (>=1.16.2) - pypinyin (>=0.35.3) - python-speech-features (>=0.6) - scipy (>=1.2.1) - tensorflow (>=1.13.1) - thulac (>=0.2.0) - pydub (>=0.23.1) ## 安装依赖 ```bash pip install -r requirement.txt ``` ## 声学模型 想看直接使用的方法的话请往后翻，从头训练从这里往下按步骤进行即可，本项目覆盖了数据集下载、清洗、调用模型、训练的全过程 ### 下载数据集 打开网页链接后仅下载链接名对应的文件即可 #### THCHS30 万余条语音文件，大约40小时。内容以文章诗句为主，全部为女声。（清华大学语音与语言技术中心（CSLT）出版） 下载链接：[data_thchs30.tgz](https://openslr.org/18/) #### Free ST Chinese Mandarin Corpus 10万余条语音文件，大约100余小时。内容以平时的网上语音聊天和智能语音控制语句为主，855个不同说话者，同时有男声和女声，适合多种场景下使用。 下载链接：[ST-CMDS-20170001_1-OS.tar.gz](https://openslr.org/38/) #### AISHELL开源版 包含178小时的开源版数据。包含400个来自中国不同地区、具有不同的口音的人的声音。录音质量高，通过专业的语音注释和严格的质量检查，手动转录准确率达到95％以上。 下载链接：[data_aishell.tgz](https://openslr.org/33/) #### Primewords Chinese Corpus Set 1 包含了大约100小时的中文语音数据。语料库由296名母语为英语的智能手机录制。转录准确度大于98％，置信水平为95％。抄本和话语之间的映射以JSON格式给出。 下载链接：[primewords_md_2018_set1.tar.gz](https://openslr.org/47/) #### Aidatatang_200zh 200小时(当前时长最长的中文开源语音数据集)，由Android系统手机（16kHz，16位）和iOS系统手机（16kHz，16位）记录。录音环境安静，录音者性别、年龄均匀分布。每个句子的手动转录准确率大于98％。 下载链接：[aidatatang_200zh.tgz](https://openslr.org/62/) ### 配置路径 在`config.py`目录下，配置相应的语料路径，注意是根路径，如果还不确定请参考具体注释设置路径。 ### 清洗声学语料 由于数据集格式不同，且其中的汉字不一定覆盖了全字典，因此清洗声学数据集的目的主要有以下几点： - 保证所有的wav文件下都有一个标注文件，并且统一第一行是汉字，第二行的拼音，没有标签的wav文件全被删除（这主要针对aishell这个数据集，里面有很多未标注的音频文件）。 - 保证拼音和汉字都存在在字典中，可以被覆盖，不存在的数据均被删除。 - 保证汉字和拼音一一对应，存在英语、数字的文件应该被删除（因为即使是数字，一百和一零零的发音也是不同的难以确定），标点符号空格等应该被去掉。 因此我的方法是，基于数据集用代码统计生成汉字和拼音字典，在生成的同时根据词频，手动将词频小的拼音和汉字删除，最后再基于手工确认好的字典，将数据集中无法覆盖的数据去除。 在我的选择中，我将数据集中频数小于50的拼音和汉字都去除了 如果你不需要重新确认字典，可以直接运行以下代码清洗语料，会大概删除几千个文件，包括汉字中有数字字母的，字符长度对不上的，拼音不在字典中的（非常用拼音） ```bash python run_clean.py ``` 如果你需要确认字典，那么请具体参考一下`run_create_dict.py`中的代码，自行生成字典 > PS1:标注拼音使用 pypinyin > PS2:最终所有的音频的标注文件均满足：第一行汉字，没有字母数字空格标点，全部存在于字典中；第二行为拼音（带声调），中间以一个空格隔开，全部存在于拼音字典中。 ### 统计数据信息 ```bash python run_summary.py ``` 对下载下来的数据集进行统计（只针对声学模型），输出相应的信息和图片，如果没有意外，控制台输出如下： ```text start to summary the Thchs30 dataset checked 13375 wav files:/data/voicerec/dataset/dataset/thchs30-openslr/data_thchs30/data/D6_938.wavv max audio len = 261000, max timestamp = (281, 603) ,min audio len = 71424, sample = 16000 checked 13375 label files:/data/voicerec/dataset/dataset/thchs30-openslr/data_thchs30/data/D6_938.wav.trnn max label len = 48, min label len = 19, pinpin coverage:1208 result from 13376 sample, used 3.7486759999999997 sec Load pinyin dict. Max index = 1436. start to summary the AiShell dataset checked 141599 wav files:/data/voicerec/ALShell-1/data_aishell/wav/train/S0003/BAC009S0003W0427.wav max audio len = 235199, max timestamp = (281, 544) ,min audio len = 19680, sample = 16000 checked 141599 label files:/data/voicerec/ALShell-1/data_aishell/wav/train/S0003/BAC009S0003W0427.txt max label len = 44, min label len = 1, pinpin coverage:1196 result from 141600 sample, used 98.877352 sec Load pinyin dict. Max index = 1436. start to summary the Primewords dataset checked 50369 wav files:/data/voicerec/Primewords Chinese Corpus Set 1/primewords_md_2018_set1/audio_files/5/57/5732d955-b4f4-41a4-b60f-32b42da573af.wav max au
Excerpt of 10,608 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:379977d08fe29695, desc:speech recognition