comments: true

多语种语音识别模块使用教程

一、概述

语音识别是一种先进的工具，它能够将人类口述的多种语言自动转换为相应的文本或命令。该技术还在智能客服、语音助手、会议记录等多个领域发挥着重要作用。多语种语音识别则可以支持自动进行语种检索，支持多种不同语言的语音的识别。

二、支持模型列表

Whisper Model

medium: 2.9G,small: 923M,base: 277M,

Demo Link	Training Data	Size	Descriptions	CER	Model
Whisper	680kh from internet	large: 5.8G,

tiny: 145M Encoder:Transformer, Decoder:Transformer,
Decoding method:
Greedy search 0.027 (large, Librispeech) whisper-large whisper-medium
whisper-small
whisper-base
whisper-tiny

三、快速集成

在快速集成前，首先需要安装 PaddleX 的 wheel 包，wheel的安装方式请参考PaddleX本地安装教程。完成 wheel 包的安装后，几行代码即可完成文本识别模块的推理，可以任意切换该模块下的模型，您也可以将文本识别的模块中的模型推理集成到您的项目中。运行以下代码前，请您下载示例语音到本地。

from paddlex import create_model
model = create_model("whisper_large")
output = model.predict("./zh.wav", batch_size=1)
for res in output:
    res.print(json_format=False)

关于更多 PaddleX 的单模型推理的 API 的使用方法，可以参考PaddleX单模型Python脚本使用说明。

四、二次开发

目前该模型仅支持推理，暂不支持模型的训练。

4.1 数据准备

在进行模型训练前，需要准备相应任务模块的数据集。PaddleX 针对每一个模块提供了数据校验功能，只有通过数据校验的数据才可以进行模型训练。此外，PaddleX 为每一个模块都提供了 Demo 数据集，您可以基于官方提供的 Demo 数据完成后续的开发。

4.1.1 Demo 数据下载

您可以参考下面的命令将 Demo 数据集下载到指定文件夹：

wget https://paddlespeech.bj.bcebos.com/PaddleAudio/zh.wav

4.2 模型训练

暂不支持

4.3 模型评估

暂不支持

4.4 模型推理和模型集成

4.4.1 模型推理

通过命令行的方式进行推理预测，只需如下一条命令。运行以下代码前，请您下载示例语音到本地。

python main.py -c paddlex/configs/modules/multilingual_speech_recognition/whisper_large.yaml \
    -o Global.mode=predict \
    -o Predict.input="./zh.wav"

模型推理配置需要如下几步：

指定模型的.yaml 配置文件路径（此处为whisper_large.yaml）
指定模式为模型推理预测：-o Global.mode=predict
指定输入数据路径：-o Predict.input="..." 其他相关参数均可通过修改.yaml配置文件中的Global和Predict下的字段来进行设置，详细请参考PaddleX通用模型配置文件参数说明。

4.4.2 模型集成

模型可以直接集成到 PaddleX 产线中，也可以直接集成到您自己的项目中。

1.产线集成

暂无示例。

2.模块集成

您产出的权重可以直接集成到文本识别模块中，可以参考快速集成的 Python 示例代码，只需要将模型替换为你训练的到的模型路径即可。

multilingual_speech_recognition.md 4.1 KB Geçmiş Ham