TensorSpeech/TensorFlowASR

解决的问题

提供了一个用于构建和部署自动语音识别（ASR）系统的全面框架，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。

运作方式

此项目实现了多种 ASR 架构，依其训练损失函数分类：使用 RNNT 损失的 Transducer 模型（如 Conformer 和 ContextNet），以及使用 CTC 损失的 CTC 模型（如 DeepSpeech2 和 Jasper）。它包含了完整的流程，涵盖特征提取、数据增强、训练和解码（贪婪和光束搜索）。在部署方面，模型可以转换为 TFLite 以减少内存和计算需求。

适用对象

从事语音转文字应用开发的开发者和研究人员，偏好 TensorFlow 生态系统，并需要一个灵活的工具包来在各种硬件（包括 CPU、NVIDIA GPU 和 Cloud TPU）上训练、测试和部署 ASR 模型。

亮点

• 支持多种架构，包括 Conformer、ContextNet、RNN Transducer、DeepSpeech2 和 Jasper。
• 提供 TFLite 转换以实现高效部署。
• 支持流式和非流式推理。
• 内置对英文和越南文常见 ASR 数据集的支持。