lhotse

收录理由

做语音研究的工程师常常发现，把原始数据整理成可训练的格式，比真正训练模型还要耗时。Lhotse 就是为解决这一层麻烦而设计的：它能把音频和对应文本转成纯文本的 manifest 文件，在送入 PyTorch 的数据加载器之前，允许你把录音当作灵活的数据单元进行切分、填充和增强。项目内置了许多常见语料库的现成处理脚本，省去重复造轮子的功夫。随着发展，它的处理范围已经从语音扩展到视频、图像和文本，一条管线就能支撑多模态实验。如果你基于新一代 Kaldi 生态工作，它可以和 k2、icefall 搭配使用，同时也支持 ESPnet 等其它框架。