TensorSpeech/TensorFlowASR

What it solves

它提供了一個用於建立與訓練自動語音辨識 (ASR) 系統的框架，能夠使用各種尖端的神經網路架構將口語音訊轉換為文字。

How it works

該專案實作了幾種根據其訓練損失函數分類的 ASR 架構：Transducer 模型（使用 RNNT Loss）如 Conformer 和 ContextNet，以及 CTC 模型（使用 CTC Loss）如 DeepSpeech2 和 Jasper。它包含用於特徵提取與資料增強的工具，並支援將訓練好的模型轉換為 TFLite 格式，以優化部署時的記憶體與運算量。

Who it’s for

對於偏好 TensorFlow 生態系統，且需要能透過 TFLite 部署到邊緣裝置的語音轉文字應用程式開發者與研究人員。

Highlights

• 支援多種架構：Conformer, ContextNet, RNN Transducer, DeepSpeech2, 以及 Jasper。
• 透過 Streaming Conformer 提供串流功能。
• 提供轉換至 TFLite 的路徑，以實現高效能部署。
• 支援多種資料集，包括英文 (LibriSpeech, Common Voice) 與越南文語料庫。