TensorSpeech/TensorFlowASR

What it solves

它提供了一个用于构建和训练自动语音识别 (ASR) 系统框架，能够使用各种最先进的神经网络架构将口语音频转换为文本。

How it works

该项目实现了多种根据其训练损失函数分类的 ASR 架构：Transducer 模型（使用 RNNT Loss）如 Conformer 和 ContextNet，以及 CTC 模型（使用 CTC Loss）如 DeepSpeech2 和 Jasper。它包括用于特征提取和数据增强的工具，并支持将训练好的模型转换为 TFLite 格式，以优化部署时的内存和计算量。

Who it’s for

对于偏好 TensorFlow 生态系统，并且需要能够通过 TFLite 部署到边缘设备的语音转文本应用开发者和研究人员。

Highlights

• 支持多种架构：Conformer, ContextNet, RNN Transducer, DeepSpeech2, 和 Jasper。
• 通过 Streaming Conformer 提供流式处理能力。
• 提供转换为 TFLite 的路径，以实现高效部署。
• 支持多种数据集，包括英语 (LibriSpeech, Common Voice) 和越南语语料库。