AI 學習紀錄 – ASRT 中文語音識別

本文要介紹的也是 github 上的一個專案「ASRT_SpeechRecognition」，可以識別中文語音轉成文字。我猜想應該也是可以識別英文語音轉文字，就看你給他訓練的檔案是哪種。

這應該是算比較傳統的方法，先用對答案的方式訓練，也就是需要標記的。不過語音辨識的標記比較好取得，電影、youtube 字幕都有很多材料。

目前已有較準確的辨認專案，請參考 AI 學習紀錄 – PPASR 語音識別

專案下載

下載訓練語音檔的標記文件

本文是要使用”AIShell-1″數據集來做訓練，所以只要下載其標記即可。若要全部下載也無妨，這方面的數具不大。

下載語音數據集

在原作者是專案頁下，有提供幾個數據集可供下載，我看大部份是 host 在 openlsr 的網站，也有更多的數據集可以參考。這邊下載 「AIShell-1, 178hr, 14.5G」的這個數據集，下載位置在這。

下載後，以下列命令解壓縮。原文沒有寫到對wav下的每個壓縮檔做解壓，這邊做了一點點的修改。

修改設定檔

由於預設的設定檔 (asrt_config.json)，是針對所有的數據集做訓練，所以這裡要做一下修改，把沒用到的數據集設定拿掉，只留下 aishell。修改後的內容如下

開始訓練

接著就可以執行下列命令來進行訓練，預設是做 50 個 epoch，RTX4090 做一個 epoch 大概是15分鐘，辨識效果還算滿意。

準確率測試

這邊可以用測試命令來測試其準確率，大概是65% 左右，我不確定他怎麼測的。以我的標準是音有接近，前後的字至少要有一二個是對的就好。

單詞測試

用下面指令，隨意複制一個 wav 成 filename.wav，再執行辨識程式，就可以得到結果

服務器模式

要使用 http server / client 來做辨識的話可以先執行 server

再透過 client 程式辨識, 裡面的wav檔名要依自己需求修改 (read_wav_bytes)。 `
python3 client_http.py

相關文章:

AI 學習紀錄 – GPT-J 使用與 finetune (1) AI 學習紀錄 – 購入RTX4090主機 AI 學習紀錄 – CPM文章產生器使用 AI 學習紀錄 – Stable Diffusion 使用