TensorSpeech/TensorFlowASR

解決する問題

自動音声認識（ASR）システムを構築・デプロイするための包括的なフレームワークを提供し、さまざまな最先端のニューラルネットワークアーキテクチャを使用して音声をテキストに変換できるようにします。

仕組み

このプロジェクトは、トレーニング損失関数によって分類された複数のASRアーキテクチャを実装しています：RNNT損失を使用するTransducerモデル（ConformerやContextNetなど）、およびCTC損失を使用するCTCモデル（DeepSpeech2やJasperなど）。特徴抽出、データ拡張、トレーニング、デコード（貪欲法とビームサーチ）をカバーする完全なパイプラインが含まれています。デプロイメントでは、モデルをTFLiteに変換してメモリと計算要件を削減できます。

対象者

音声からテキストへのアプリケーションに取り組む開発者や研究者で、TensorFlowエコシステムを好み、CPU、NVIDIA GPU、Cloud TPUなどのさまざまなハードウェアでASRモデルをトレーニング、テスト、デプロイするための柔軟なツールキットを必要とする方。

ハイライト

• Conformer、ContextNet、RNN Transducer、DeepSpeech2、Jasperなど、複数のアーキテクチャをサポート。
• 効率的なデプロイのためのTFLite変換を提供。
• ストリーミングおよび非ストリーミング推論の両方をサポート。
• 英語とベトナム語の一般的なASRデータセットの組み込みサポート。