ASRT_SpeechRecognition

收录理由

这个项目提供了一套完整的中文语音转文字方案，关键是可以自己动手训练模型，而不只是看看演示。系统采用深度卷积网络配合CTC解码，把最长16秒的音频先转成拼音，再借助统计语言模型输出中文文本。仓库里把整个流程都打包好了：有能在THCHS30、AIShell、ST-CMDS等公开数据集上运行的训练脚本，有可以直接下载的预训练模型，还提供了HTTP和gRPC服务端，以及Python、Go、Java和Windows下的客户端SDK。无论是想快速搭一个能用的转录接口，还是想弄明白CNN加CTC这套结构是怎么端到端配合的，都能从中找到抓手。不过要注意，训练阶段需要一块显存大约11GB的NVIDIA显卡；如果只是做推理，用CPU在Linux或Windows上也能跑起来。