masr 3.0.3

Automatic speech recognition toolkit on Pytorch

MASR流式与非流式语音识别项目

MASR是一款基于Pytorch实现的自动语音识别框架，MASR全称是神奇的自动语音识别框架（Magical Automatic Speech Recognition），当前为V3版本，与V2版本不兼容，如果想使用V2版本，请在这个分支V2。MASR致力于简单，实用的语音识别项目。可部署在服务器，Nvidia Jetson设备，未来还计划支持Android等移动设备。

欢迎大家扫码入知识星球或者QQ群讨论，知识星球里面提供项目的模型文件和博主其他相关项目的模型文件，也包括其他一些资源。

本项目使用的环境：

• Anaconda 3
• Python 3.11
• Pytorch 2.5.1
• Windows 11 or Ubuntu 22.04

在线试用

网页版：在线试用地址

微信小程序

项目特点

1. 支持多个语音识别模型，包含deepspeech2、conformer、squeezeformer、efficient_conformer等，每个模型都支持流式识别和非流式识别，在配置文件中streaming参数设置。
2. 支持多种解码器，包含ctc_greedy_search、ctc_prefix_beam_search、attention_rescoring、ctc_beam_search等。
3. 支持多种预处理方法，包含fbank、mfcc等。
4. 支持多种数据增强方法，包含噪声增强、混响增强、语速增强、音量增强、重采样增强、位移增强、SpecAugmentor、SpecSubAugmentor等。
5. 支持多种推理方法，包含短音频推理、长音频推理、流式推理、说话人分离推理等。
6. 更多特点等待你发现。

与V2版本的区别

1. 项目结构的优化，大幅度降低的使用难度。
2. 更换预处理的库，改用kaldi_native_fbank，在提高数据预处理的速度，同时也支持多平台。
3. 修改token的方法，使用sentencepiece制作token，这个框架极大的降低了多种语言的处理难度，同时还使中英文混合训练成为可能。

更新记录

• 2025.3: 正式发布最终级的V3版本。

模型下载

1. WenetSpeech (10000小时，普通话) 的预训练模型列表，错误率类型为字错率（CER）：

使用模型	是否为流式	预处理方式	解码方式	test_net	test_meeting	aishell_test	下载地址
Conformer	True	fbank	ctc_greedy_search	0.14391	0.18665	0.06751	加入知识星球获取
Conformer	True	fbank	ctc_prefix_beam_search	0.14326	0.18488	0.06763	加入知识星球获取
Conformer	True	fbank	attention_rescoring	0.13523	0.18069	0.06079	加入知识星球获取
Conformer	True	fbank	ctc_beam_search	0.18227	0.21586	0.04981	加入知识星球获取
DeepSpeech2	True	fbank	ctc_greedy_search				加入知识星球获取
DeepSpeech2	True	fbank	ctc_prefix_beam_search				加入知识星球获取
DeepSpeech2	True	fbank	ctc_beam_search				加入知识星球获取

2. AIShell (179小时，普通话) 的预训练模型列表，错误率类型为字错率（CER）：

使用模型	是否为流式	预处理方式	解码方式	自带的测试集	下载地址
Conformer	True	fbank	ctc_greedy_search	0.06134	加入知识星球获取
Conformer	True	fbank	ctc_prefix_beam_search	0.06132	加入知识星球获取
Conformer	True	fbank	attention_rescoring	0.05366	加入知识星球获取
Conformer	True	fbank	ctc_beam_search	0.04409	加入知识星球获取
DeepSpeech2	True	fbank	ctc_greedy_search	0.12000	加入知识星球获取
DeepSpeech2	True	fbank	ctc_prefix_beam_search	0.12016	加入知识星球获取
DeepSpeech2	True	fbank	ctc_beam_search	0.08748	加入知识星球获取

3. Librispeech (960小时，英语) 的预训练模型列表，错误率类型为词错率（WER）：

使用模型	是否为流式	预处理方式	解码方式	自带的测试集	下载地址
Conformer	True	fbank	ctc_greedy_search	0.07432	加入知识星球获取
Conformer	True	fbank	ctc_prefix_beam_search	0.07418	加入知识星球获取
Conformer	True	fbank	attention_rescoring	0.06549	加入知识星球获取
Conformer	True	fbank	ctc_beam_search	/	加入知识星球获取
DeepSpeech2	True	fbank	ctc_greedy_search	0.15491	加入知识星球获取
DeepSpeech2	True	fbank	ctc_prefix_beam_search	0.15307	加入知识星球获取
DeepSpeech2	True	fbank	ctc_beam_search	/	加入知识星球获取

4. 其他数据集的预训练模型列表，错误率类型，如果是中文就是字错率（CER），英文则是词错率（WER），中英混合为混合错误率（MER）：

使用模型	是否为流式	预处理方式	数据集	语言	解码方式	测试数据	下载地址
Conformer	True	fbank	粤语数据集	粤语	ctc_greedy_search	0.05596	加入知识星球获取
Conformer	True	fbank	粤语数据集	粤语	ctc_prefix_beam_search	0.05595	加入知识星球获取
Conformer	True	fbank	粤语数据集	粤语	attention_rescoring	0.04846	加入知识星球获取
Conformer	True	fbank	粤语数据集	粤语	ctc_beam_search	0.05280	加入知识星球获取
Conformer	True	fbank	中英混合数据集	中英文	ctc_greedy_search	0.09582	加入知识星球获取
Conformer	True	fbank	中英混合数据集	中英文	ctc_prefix_beam_search	0.09523	加入知识星球获取
Conformer	True	fbank	中英混合数据集	中英文	attention_rescoring	0.08470	加入知识星球获取
Conformer	True	fbank	中英混合数据集	中英文	ctc_beam_search	/	加入知识星球获取
Conformer	True	fbank	更大数据集（16000+小时）	中英文	ctc_greedy_search	test_net: 0.17378 test_meeting: 0.20505 Librispeech-Test: 0.20888 中英混合: 0.14189	加入知识星球获取
Conformer	True	fbank	更大数据集（16000+小时）	中英文	ctc_prefix_beam_search	test_net: 0.17311 test_meeting: 0.20408 Librispeech-Test: 0.20508 中英混合: 0.14009	加入知识星球获取
Conformer	True	fbank	更大数据集（16000+小时）	中英文	attention_rescoring	test_net: 0.15607 test_meeting: 0.19188 Librispeech-Test: 0.17477 中英混合: 0.12389	加入知识星球获取
Conformer	True	fbank	CommonVoice-Uyghur + THUYG20	维吾尔语	ctc_greedy_search	0.04922	加入知识星球获取
Conformer	True	fbank	CommonVoice-Uyghur + THUYG20	维吾尔语	ctc_prefix_beam_search	0.04793	加入知识星球获取
Conformer	True	fbank	CommonVoice-Uyghur + THUYG20	维吾尔语	attention_rescoring	0.03302	加入知识星球获取

说明：

1. 这里字错率或者词错率是使用eval.py。
2. 分别给出了使用三个解码器的错误率，其中ctc_prefix_beam_search、attention_rescoring的解码搜索大小为10。
3. 训练时使用了噪声增强和混响增强，以及其他增强方法，具体请看配置参数configs/augmentation.yml。
4. 这里只提供了流式模型，但全部模型都支持流式和非流式的，在配置文件中streaming参数设置。
5. 更大数据集准确率比其他的低最主要的是应为训练的epoch太少，但是足以作为其他微调任务的预训练模型。
6. 使用CommonVoice-Uyghur的测试集作为本项目测试集，其余的和THUYG20全部作为训练集。

有问题欢迎提 issue 交流

文档教程

• 快速安装
• 快速使用
• 数据准备
• WenetSpeech数据集
• 合成语音数据
• 数据增强
• 训练模型
• 集束搜索解码
• 执行评估
• 导出模型
• 使用标点符号模型
• 预测
  • 本地预测
  • 说话人日志语音识别
  • Web部署模型
  • GUI界面预测
• 常见问题解答

相关项目

• 基于Pytorch实现的声纹识别：VoiceprintRecognition-Pytorch
• 基于Pytorch实现的分类：AudioClassification-Pytorch
• 基于PaddlePaddle实现的语音识别：PPASR

打赏作者

打赏一块钱支持一下作者

参考资料

• https://github.com/yeyupiaoling/PPASR
• https://github.com/jiwidi/DeepSpeech-pytorch
• https://github.com/wenet-e2e/WenetSpeech
• https://github.com/wenet-e2e/wenet
• https://github.com/SeanNaren/deepspeech.pytorch