语音识别系列︱paddlehub的开源语音识别模型测试

Posted 2022-10-11 悟乙己

上一篇：
语音识别系列︱用python进行音频解析（一）

这一篇开始主要是开源模型的测试，百度paddle有两个模块，paddlehub / paddlespeech都有语音识别模型，这边会拆分两篇来说。
整体感觉，准确度不佳，而且语音识别这块的使用文档写的缺胳膊少腿的；
使用者需要留心各类安装问题。

---

文章目录

• 1 paddlehub的安装
• 2 几款模型
• 3 三款语音识别模型实验
• • 3.1 deepspeech2_aishell - 0.065
  • 3.2 u2_conformer_wenetspeech - 0.087
  • 3.3 u2_conformer_aishell - 0.055
• 4 文本-标点恢复
• 5 语音识别 + 标点恢复 案例

---

1 paddlehub的安装

先把paddlepaddle安装好了

!pip install --upgrade paddlepaddle  -i https://mirror.baidu.com/pypi/simple
!pip install --upgrade paddlehub  -i https://mirror.baidu.com/pypi/simple
!pip install pytest-runner  -i https://mirror.baidu.com/pypi/simple
!pip install paddlespeech  -i https://mirror.baidu.com/pypi/simple

接下来可就麻烦一些，要下载的很多，一些依赖：

apt-get install -y libsndfile1 swig g++ gcc

其中在paddlehub教程中是libsndfile，但是目前已经找不到这个依赖了；然后有些linux没装gcc/g++
安装swig_decoder：

git clone https://github.com/PaddlePaddle/DeepSpeech.git && cd DeepSpeech && git reset --hard b53171694e7b87abe7ea96870b2f4d8e0e2b1485 && cd deepspeech/decoders/ctcdecoder/swig && sh setup.sh

如果不安装成功，会报错：

 ImportError: No module named swig_decoders

2 几款模型

语音识别的模型paddlehub有以下几个：模型

中文的有三个，安装完之后，可以下载：

hub install deepspeech2_aishell
hub install u2_conformer_wenetspeech
hub install u2_conformer_aishell

模型三个链接：

• u2_conformer_aishell
• deepspeech2_aishell
• u2_conformer_wenetspeech

3 三款语音识别模型实验

跑实验的时候如果会出现报错：

ImportError: libGL.so.1: cannot open shared object file: No such file or directory

需要安装：

pip install opencv-python-headless   -i https://mirror.baidu.com/pypi/simple

如果还一直报错，那就卸载了，然后再重新装。

这几款模型音频采样率16000，如果不是，那就需要更改音频采样率：
语音识别系列︱用python进行音频解析（一）

3.1 deepspeech2_aishell - 0.065

DeepSpeech2是百度于2015年提出的适用于英文和中文的end-to-end语音识别模型。deepspeech2_aishell使用了DeepSpeech2离线模型的结构，模型主要由2层卷积网络和3层GRU组成，并在中文普通话开源语音数据集AISHELL-1进行了预训练，该模型在其测试集上的CER指标是0.065。

import paddlehub as hub

# 采样率为16k，格式为wav的中文语音音频
wav_file = '/PATH/TO/AUDIO'

model = hub.Module(
    name='deepspeech2_aishell',
    version='1.0.0')
text = model.speech_recognize(wav_file)

print(text)

3.2 u2_conformer_wenetspeech - 0.087

模型信息：

U2 Conformer模型是一种适用于英文和中文的end-to-end语音识别模型。u2_conformer_wenetspeech采用了conformer的encoder和transformer的decoder的模型结构，并且使用了ctc-prefix beam search的方式进行一遍打分，再利用attention decoder进行二次打分的方式进行解码来得到最终结果。

import paddlehub as hub

# 采样率为16k，格式为wav的中文语音音频
wav_file = '/PATH/TO/AUDIO'

model = hub.Module(
    name='u2_conformer_wenetspeech',
    version='1.0.0')
text = model.speech_recognize(wav_file)

print(text)

3.3 u2_conformer_aishell - 0.055

模型信息：

U2 Conformer模型是一种适用于英文和中文的end-to-end语音识别模型。u2_conformer_aishell采用了conformer的encoder和transformer的decoder的模型结构，并且使用了ctc-prefix beam search的方式进行一遍打分，再利用attention decoder进行二次打分的方式进行解码来得到最终结果。

u2_conformer_aishell在中文普通话开源语音数据集AISHELL-1进行了预训练，该模型在其测试集上的CER指标是0.055257。

import paddlehub as hub

# 采样率为16k，格式为wav的中文语音音频
wav_file = '/PATH/TO/AUDIO'

model = hub.Module(
    name='u2_conformer_aishell',
    version='1.0.0')
text = model.speech_recognize(wav_file)

print(text)

参考：https://github.com/PaddlePaddle/PaddleHub/tree/develop/modules/audio/asr/u2_conformer_aishell

4 文本-标点恢复

模型信息，文档：

Ernie是百度提出的基于知识增强的持续学习语义理解模型，该模型将大数据预训练与多源丰富知识相结合，通过持续学习技术，不断吸收海量文本数据中词汇、结构、语义等方面的知识，实现模型效果不断进化。

"悟道"文本数据集 采用20多种规则从100TB原始网页数据中清洗得出最终数据集，注重隐私数据信息的去除，源头上避免GPT-3存在的隐私泄露风险；包含教育、科技等50+个行业数据标签，可以支持多领域预训练模型的训练。

数据总量：3TB
数据格式：json
开源数量：200GB
数据集下载：https://resource.wudaoai.cn/
日期：2021年12月23日

auto_punc采用了Ernie1.0预训练模型，在WuDaoCorpora 2.0的200G开源文本数据集上进行了标点恢复任务的训练，模型可直接用于预测，对输入的对中文文本自动添加7种标点符号：逗号（，）、句号（。）、感叹号（！）、问号（？）、顿号（、）、冒号（：）和分号（；）。

安装：

hub install auto_punc

预测代码：

import paddlehub as hub

model = hub.Module(
    name='auto_punc',
    version='1.0.0')

texts = [
    '今天的天气真好啊你下午有空吗我想约你一起去逛街',
    '我最喜欢的诗句是先天下之忧而忧后天下之乐而乐',
]
punc_texts = model.add_puncs(texts)
print(punc_texts)
# ['我最喜欢的诗句是：先天下之忧而忧，后天下之乐而乐。', '今天的天气真好啊！你下午有空吗？我想约你一起去逛街。']

5 语音识别 + 标点恢复 案例

这里简单写一个官方的：

import paddlehub as hub

# 语音识别
# 采样率为16k，格式为wav的中文语音音频
wav_file = '/PATH/TO/AUDIO'

model = hub.Module(
    name='deepspeech2_aishell',
    version='1.0.0')
text = model.speech_recognize(wav_file)

print(text)

# 标点恢复

model = hub.Module(
    name='auto_punc',
    version='1.0.0')

punc_texts = model.add_puncs([text])
print(punc_texts)
# ['我最喜欢的诗句是：先天下之忧而忧，后天下之乐而乐。', '今天的天气真好啊！你下午有空吗？我想约你一起去逛街。']