espnet
version 202409
مستندات | مثال | مثال (ESPNET2) | Docker | دفتر
ESPNET هي مجموعة أدوات معالجة الكلام من طرف إلى طرف تغطي التعرف على الكلام من طرف إلى طرف ، ونص من النص ، وترجمة الكلام ، وتعزيز الكلام ، ومجلات المتحدث ، وفهم اللغة المنطوقة ، وما إلى ذلك. يستخدم ESPNET Pytorch كمحرك تعليمي عميق ويتبع أيضًا معالجة بيانات نمط Kaldi ، واستخراج/تنسيق الميزات ، ووصفات لتوفير إعداد كامل لتجارب معالجة الكلام المختلفة.
ASR (WSJ ، Switchboard ، Chime-4/5 ، Librispeech ، TED ، CSJ ، AMI ، HKUST ، VOXFORGE ، REARB ، GIGASPEEDE ، إلخ)TTS بطريقة مماثلة لوصفة ASR (LJSpeech ، Libritts ، M-ilabs ، إلخ)ST (Fisher-Callhome Spanish ، Libri-Trans ، IWSLT'18 ، How2 ، Must-C ، Mboshi-French ، إلخ)MT (IWSLT'14 ، IWSLT'16 ، وصفات ST أعلاه وما إلى ذلك)SLU (Catslu-Maps ، FSC ، Grabo ، IEMOCAP ، Jdcinal ، Snips ، Slurp ، SWBD-DA ، إلخ)SE/SS (DNS-IS2020 ، Librimix ، SMS-WSJ ، VCTK-NOISYREVERB ، WHAM! ، WHAMR! ، WSJ-2MIX ، إلخ)يرجى الرجوع إلى صفحة البرنامج التعليمي للحصول على وثائق كاملة.
frontend على s3prlfrontend_conf على الاسم المقابل.توضيح
توضيح
لتدريب الماسك العصبي ، يرجى التحقق من المستودعات التالية:
توضيح
انظر ESPNET2.
إذا كنت تنوي إجراء تجارب كاملة ، بما في ذلك تدريب DNN ، راجع التثبيت.
إذا كنت بحاجة فقط إلى وحدة بيثون فقط:
# We recommend you install PyTorch before installing espnet following https://pytorch.org/get-started/locally/
pip install espnet
# To install the latest
# pip install git+https://github.com/espnet/espnet
# To install additional packages
# pip install "espnet[all]"إذا كنت تستخدم ESPNET1 ، فيرجى تثبيت Chainer و Cupy.
pip install chainer==6.0.0 cupy==6.0.0 # [Option]قد تحتاج إلى تثبيت بعض الحزم اعتمادًا على كل مهمة. قمنا بإعداد البرامج النصية للتثبيت المختلفة في الأدوات/المثبتات.
(ESPNET2) بمجرد تثبيته ، قم بتشغيل wandb login and SET --use_wandb true لتمكين تشغيل التتبع باستخدام W&B.
انتقل إلى Docker/ واتبع التعليمات.
شكرا لك على قضاء الوقت في ESPNET! أي مساهمات في ESPNET مرحب بها ، ولا تتردد في طرح أي أسئلة أو طلبات للقضايا. إذا كانت هذه هي أول مساهمة ESPNET ، فيرجى اتباع دليل المساهمة.
ندرج معدل خطأ الحرف (CER) ومعدل خطأ الكلمات (WER) لمهام ASR الرئيسية.
| مهمة | CER (٪) | وير (٪) | نموذج تدريب مسبقًا |
|---|---|---|---|
| Aishell dev/test | 4.6/5.1 | ن/أ | وصلة |
| ESPNET2 Aishell dev/test | 4.1/4.4 | ن/أ | وصلة |
| صوت شائع/اختبار | 1.7/1.8 | 2.2/2.3 | وصلة |
| CSJ eval1/eval2/eval3 | 5.7/3.8/4.2 | ن/أ | وصلة |
| ESPNET2 CSJ eval1/eval2/eval3 | 4.5/3.3/3.6 | ن/أ | وصلة |
| ESPNET2 Gigaspeech dev/test | ن/أ | 10.6/10.5 | وصلة |
| HKUST DEV | 23.5 | ن/أ | وصلة |
| ESPNET2 HKUST DEV | 21.2 | ن/أ | وصلة |
| Librispeech dev_clean/dev_other/test_clean/test_other | ن/أ | 1.9/4.9/2.1/4.9 | وصلة |
| ESPNET2 Librispeech dev_clean/dev_other/test_clean/test_other | 0.6/1.5/0.6/1.4 | 1.7/3.4/1.8/3.6 | وصلة |
| Switchboard (eval2000) CallHM/SWBD | ن/أ | 14.0/6.8 | وصلة |
| لوحة التبديل ESPNET2 (EVEL2000) CallHM/SWBD | ن/أ | 13.4/7.3 | وصلة |
| Tedlium2 dev/test | ن/أ | 8.6/7.2 | وصلة |
| ESPNET2 Tedlium2 dev/test | ن/أ | 7.3/7.1 | وصلة |
| Tedlium3 dev/test | ن/أ | 9.6/7.6 | وصلة |
| WSJ Dev93/eval92 | 3.2/2.1 | 7.0/4.7 | ن/أ |
| ESPNET2 WSJ DEV93/eval92 | 1.1/0.8 | 2.8/1.8 | وصلة |
لاحظ أن أداء مهام CSJ و HKUST و Librispeech قد تم تحسينه بشكل كبير باستخدام الشبكة الواسعة (#Units = 1024) ووحدات الكلمات الفرعية الكبيرة إذا لزم الإبلاغ عنها بواسطة RWTH.
إذا كنت ترغب في التحقق من نتائج الوصفات الأخرى ، فيرجى التحقق من egs/<name_of_recipe>/asr1/RESULTS.md .
يمكنك التعرف على الكلام في ملف WAV باستخدام النماذج المدربة مسبقًا. انتقل إلى دليل الوصفة وقم بتشغيل utils/recog_wav.sh على النحو التالي:
# go to the recipe directory and source path of espnet tools
cd egs/tedlium2/asr1 && . ./path.sh
# let's recognize speech!
recog_wav.sh --models tedlium2.transformer.v1 example.wav حيث example.wav هو ملف WAV ليتم التعرف عليه. يجب أن يكون معدل أخذ العينات متسقًا مع معدل البيانات المستخدمة في التدريب.
نماذج متوفرة مسبقًا في البرنامج النصي التجريبي مدرجة أدناه.
| نموذج | ملحوظات |
|---|---|
| Tedlium2.rnn.v1 | تدفق الفك تشفير بناء على VAD القائم على CTC |
| Tedlium2.rnn.v2 | تدفق فك التشفير على أساس VAD المستند إلى CTC (فك تشفير الدُفعات) |
| Tedlium2.transformer.v1 | محول الانتباه المشترك CTC مدرب على Tedlium 2 |
| Tedlium3.transformer.v1 | محول الانتباه المشترك CTC مدرب على Tedlium 3 |
| librispeech.transformer.v1 | محول الانتباه المشترك CTC مدرب على Librispeech |
| commonvoice.transformer.v1 | محول الانتباه المشترك CTC مدرب على CommonVoice |
| csj.transformer.v1 | محول الانتباه المشترك CTC مدرب على CSJ |
| CSJ.RNN.V1 | انتباه المشترك CTC VGGBLSTM المدربين على CSJ |
ندرج نتائج من ثلاثة نماذج مختلفة على WSJ0-2Mix ، والتي هي واحدة من أكثر مجموعة البيانات القياسية استخدامًا لفصل الكلام.
| نموذج | Stoi | سار | SDR | سيد |
|---|---|---|---|---|
| تقنيع TF | 0.89 | 11.40 | 10.24 | 18.04 |
| Conv-Tasnet | 0.95 | 16.62 | 15.94 | 25.90 |
| DPRNN-TASNET | 0.96 | 18.82 | 18.29 | 28.92 |
يعتمد على ESPNET2. تتوفر النماذج المدربة مسبقًا لكل من مهام تعزيز الكلام وفصل الكلام.
عروض تدفق فصل الكلام:
ندرج 4-Gram Bleu من مهام ST الرئيسية.
| مهمة | بلو | نموذج تدريب مسبقًا |
|---|---|---|
| Fisher-Callhome Fisher_test (ES-> EN) | 51.03 | وصلة |
| Fisher-Callhome Spanish Callhome_evltest (ES-> EN) | 20.44 | وصلة |
| اختبار libri-trans (en-> الاب) | 16.70 | وصلة |
| How2 dev5 (en-> pt) | 45.68 | وصلة |
| Must-c tst-common (en-> de) | 22.91 | وصلة |
| Mboshi-French Dev (fr-> mboshi) | 6.18 | ن/أ |
| مهمة | بلو | نموذج تدريب مسبقًا |
|---|---|---|
| Fisher-Callhome Fisher_test (ES-> EN) | 42.16 | ن/أ |
| Fisher-Callhome Spanish Callhome_evltest (ES-> EN) | 19.82 | ن/أ |
| اختبار libri-trans (en-> الاب) | 16.96 | ن/أ |
| How2 dev5 (en-> pt) | 44.90 | ن/أ |
| Must-c tst-common (en-> de) | 23.65 | ن/أ |
إذا كنت ترغب في التحقق من نتائج الوصفات الأخرى ، فيرجى التحقق من egs/<name_of_recipe>/st1/RESULTS.md .
( جديد! ) قدمنا عرضًا جديدًا لـ E2E-ST + TTS في Google Colab. يرجى الوصول إلى دفتر الملاحظات من الزر التالي والاستمتاع بترجمة الكلام إلى الكلام في الوقت الفعلي!
يمكنك ترجمة الكلام في ملف WAV باستخدام النماذج المدربة مسبقًا. انتقل إلى دليل الوصفة وقم بتشغيل utils/translate_wav.sh على النحو التالي:
# Go to recipe directory and source path of espnet tools
cd egs/fisher_callhome_spanish/st1 && . ./path.sh
# download example wav file
wget -O - https://github.com/espnet/espnet/files/4100928/test.wav.tar.gz | tar zxvf -
# let's translate speech!
translate_wav.sh --models fisher_callhome_spanish.transformer.v1.es-en test.wav حيث test.wav هو ملف WAV ليتم ترجمته. يجب أن يكون معدل أخذ العينات متسقًا مع معدل البيانات المستخدمة في التدريب.
يتم سرد النماذج المتوفرة التي تم تدريبها مسبقًا في البرنامج النصي التجريبي على النحو التالي.
| نموذج | ملحوظات |
|---|---|
| Fisher_Callhome_Spanish.transformer.v1 | Transformer-ST مدرب على Fisher-Callhome Spanish es-> en |
| مهمة | بلو | نموذج تدريب مسبقًا |
|---|---|---|
| Fisher-Callhome Fisher_test (ES-> EN) | 61.45 | وصلة |
| Fisher-Callhome Spanish Callhome_evltest (ES-> EN) | 29.86 | وصلة |
| اختبار libri-trans (en-> الاب) | 18.09 | وصلة |
| How2 dev5 (en-> pt) | 58.61 | وصلة |
| Must-c tst-common (en-> de) | 27.63 | وصلة |
| iwslt'14 test2014 (en-> de) | 24.70 | وصلة |
| iwslt'14 test2014 (de-> en) | 29.22 | وصلة |
| iwslt'14 test2014 (de-> en) | 32.2 | وصلة |
| iwslt'16 Test2014 (en-> de) | 24.05 | وصلة |
| iwslt'16 test2014 (de-> en) | 29.13 | وصلة |
يمكنك الاستماع إلى العينات التي تم إنشاؤها في عنوان URL التالي.
لاحظ أنه في الجيل ، نستخدم Griffin-Lim (
wav/) و Wavegan المتوازي (wav_pwg/).
يمكنك تنزيل النماذج التي تم تدريبها مسبقًا عبر espnet_model_zoo .
يمكنك تنزيل المبردات التي تم تدريبها مسبقًا عبر kan-bayashi/ParallelWaveGAN .
ملاحظة: نحن ننتقل إلى تطوير ESPNET2 لـ TTS. يرجى التحقق من أحدث النتائج في نتائج ESPNET2 أعلاه.
يمكنك الاستماع إلى عيناتنا في عينة HP HP ESPNET-TTS. هنا ندرج بعض الأسلوب البارز:
يمكنك تنزيل جميع النماذج المدربة مسبقًا وعينات تم إنشاؤها:
لاحظ أنه في العينات التي تم إنشاؤها ، نستخدم المفرطات التالية: Griffin-Lim ( GL ) ، و Wavenet Vocoder ( Wavenet ) ، وموازس الموازي ( الموازية ) ، و Melgan ( Melgan ). تستند المفرطون العصبيون إلى المستودعات التالية.
إذا كنت ترغب في إنشاء Vocoder العصبي الخاص بك ، فيرجى التحقق من المستودعات أعلاه. يوفر Kan-Bayashi/Parallelwavegan الدليل حول كيفية فك تشفير ميزات طراز ESPNET-TTS مع الموفرات العصبية. يرجى التحقق من ذلك.
هنا ندرج جميع المركبات العصبية التي تم تدريبها مسبقًا. يرجى تنزيل والاستمتاع بتوليد الكلام عالي الجودة!
| رابط النموذج | لانغ | FS [هرتز] | MEL Range [HZ] | FFT / Shift / Win [PT] | نوع النموذج |
|---|---|---|---|---|---|
| ljspeech.wavenet.softmax.ns.v1 | en | 22.05k | لا أحد | 1024 /256 / لا شيء | Wavenet softmax |
| ljspeech.wavenet.mol.v1 | en | 22.05k | لا أحد | 1024 /256 / لا شيء | مول wavenet |
| ljspeech.paralled_wavegan.v1 | en | 22.05k | لا أحد | 1024 /256 / لا شيء | موازي Wavegan |
| ljspeech.wavenet.mol.v2 | en | 22.05k | 80-7600 | 1024 /256 / لا شيء | مول wavenet |
| ljspeech.paralled_wavegan.v2 | en | 22.05k | 80-7600 | 1024 /256 / لا شيء | موازي Wavegan |
| ljspeech.melgan.v1 | en | 22.05k | 80-7600 | 1024 /256 / لا شيء | ميليغان |
| ljspeech.melgan.v3 | en | 22.05k | 80-7600 | 1024 /256 / لا شيء | ميليغان |
| libritts.wavenet.mol.v1 | en | 24k | لا أحد | 1024 /256 / لا شيء | مول wavenet |
| jsut.wavenet.mol.v1 | JP | 24k | 80-7600 | 2048 / 300/1200 | مول wavenet |
| jsut.paralled_wavegan.v1 | JP | 24k | 80-7600 | 2048 / 300/1200 | موازي Wavegan |
| CSMSC.WAVENET.MOL.V1 | ZH | 24k | 80-7600 | 2048 / 300/1200 | مول wavenet |
| CSMSC.Paralled_wavegan.v1 | ZH | 24k | 80-7600 | 2048 / 300/1200 | موازي Wavegan |
إذا كنت ترغب في استخدام المبردات المذكورة أعلاه مسبقًا ، فيرجى مطابقة إعداد الميزات معهم بالضبط.
يمكنك تجربة العرض التوضيحي في الوقت الفعلي في Google Colab. يرجى الوصول إلى دفتر الملاحظات من الزر التالي والاستمتاع بتوليف الوقت الحقيقي!
نماذج اللغة الإنجليزية واليابانية والماندرين متوفرة في العرض التوضيحي.
ملاحظة: نحن ننتقل إلى تطوير ESPNET2 لـ TTS. يرجى التحقق من أحدث عرض تجريبي في العرض التوضيحي ESPNET2 أعلاه.
يمكنك تجربة العرض التوضيحي في الوقت الفعلي في Google Colab. يرجى الوصول إلى دفتر الملاحظات من الزر التالي والاستمتاع بتوليف الوقت الحقيقي.
نحن نقدم أيضًا برنامج نصي Shell لأداء التوليف. انتقل إلى دليل الوصفة وقم بتشغيل utils/synth_wav.sh على النحو التالي:
# Go to recipe directory and source path of espnet tools
cd egs/ljspeech/tts1 && . ./path.sh
# We use an upper-case char sequence for the default model.
echo " THIS IS A DEMONSTRATION OF TEXT TO SPEECH. " > example.txt
# let's synthesize speech!
synth_wav.sh example.txt
# Also, you can use multiple sentences
echo " THIS IS A DEMONSTRATION OF TEXT TO SPEECH. " > example_multi.txt
echo " TEXT TO SPEECH IS A TECHNIQUE TO CONVERT TEXT INTO SPEECH. " >> example_multi.txt
synth_wav.sh example_multi.txtيمكنك تغيير النموذج الذي تم تدريبه مسبقًا على النحو التالي:
synth_wav.sh --models ljspeech.fastspeech.v1 example.txtيتم تنفيذ توليف الموجة مع خوارزمية غريفين-سميك والمركبات العصبية (Wavenet و Parallelwavegan). يمكنك تغيير نموذج Vocoder الذي تم تدريبه مسبقًا على النحو التالي:
synth_wav.sh --vocoder_models ljspeech.wavenet.mol.v1 example.txtيوفر Wavenet Vocoder خطابًا عالي الجودة للغاية ، لكن الأمر يستغرق وقتًا لتوليده.
شاهد المزيد من التفاصيل أو النماذج المتاحة عبر --help .
synth_wav.sh --helpيمكنك الاستماع إلى بعض العينات على صفحة الويب التجريبية.
يتبنى تحدي تحويل الصوت 2020 (VCC2020) ESPNET لبناء نظام أساسي قائم على الطرف. في VCC2020 ، فإن الهدف هو VC غير المتوازي داخل اللغات. يمكنك تنزيل عينات تم تحويلها من نظام خط الأساس ASR+TTS Cascade هنا.
ندرج الأداء على مختلف مهام SLU ومجموعات البيانات باستخدام المقياس المذكور في ورقة البيانات الأصلية
| مهمة | مجموعة البيانات | متري | نتيجة | نموذج تدريب مسبقًا |
|---|---|---|---|---|
| تصنيف النوايا | تسرع في الشراب | ACC | 86.3 | وصلة |
| تصنيف النوايا | FSC | ACC | 99.6 | وصلة |
| تصنيف النوايا | مجموعة مكبرات الصوت FSC unseen | ACC | 98.6 | وصلة |
| تصنيف النوايا | مجموعة الكلام غير المرئي FSC | ACC | 86.4 | وصلة |
| تصنيف النوايا | مجموعة المتحدثين التحدي FSC | ACC | 97.5 | وصلة |
| تصنيف النوايا | مجموعة الكلام التحدي FSC | ACC | 78.5 | وصلة |
| تصنيف النوايا | قصاصات | F1 | 91.7 | وصلة |
| تصنيف النوايا | Grabo (NL) | ACC | 97.2 | وصلة |
| تصنيف النوايا | خريطة Cat SLU (Zn) | ACC | 78.9 | وصلة |
| تصنيف النوايا | أوامر خطاب Google | ACC | 98.4 | وصلة |
| حشوة الفتحة | تسرع في الشراب | SLU-F1 | 71.9 | وصلة |
| تصنيف قانون الحوار | لوحة التبديل | ACC | 67.5 | وصلة |
| تصنيف قانون الحوار | Jdcinal (JP) | ACC | 67.4 | وصلة |
| التعرف على العاطفة | IEMOCAP | ACC | 69.4 | وصلة |
| التعرف على العاطفة | SWBD_SENTIMENT | ماكرو F1 | 61.4 | وصلة |
| التعرف على العاطفة | slue_voxceleb | ماكرو F1 | 44.0 | وصلة |
إذا كنت ترغب في التحقق من نتائج الوصفات الأخرى ، فيرجى التحقق من egs2/<name_of_recipe>/asr1/RESULTS.md .
تحدد تجزئة CTC شرائح الكلام داخل الملفات الصوتية. تشكل قطاعات الكلام المحاذاة ملصقات مجموعات بيانات الكلام.
كعروض تجريبية ، نقوم بمحاذاة بداية النطاقات ونهاية ملف الصوت ctc_align_test.wav ، باستخدام مثال البرنامج النصي utils/asr_align_wav.sh . للتحضير ، قم بإعداد دليل بيانات:
cd egs/tedlium2/align1/
# data directory
align_dir=data/demo
mkdir -p ${align_dir}
# wav file
base=ctc_align_test
wav=../../../test_utils/ ${base} .wav
# recipe files
echo " batchsize: 0 " > ${align_dir} /align.yaml
cat << EOF > ${align_dir} /utt_text
${base} THE SALE OF THE HOTELS
${base} IS PART OF HOLIDAY'S STRATEGY
${base} TO SELL OFF ASSETS
${base} AND CONCENTRATE
${base} ON PROPERTY MANAGEMENT
EOF هنا ، utt_text هو الملف الذي يحتوي على قائمة الكلمات. اختر نموذج ASR المدربين مسبقًا يتضمن طبقة CTC للعثور على شرائح الكلام:
# pre-trained ASR model
model=wsj.transformer_small.v1
mkdir ./conf && cp ../../wsj/asr1/conf/no_preprocess.yaml ./conf
../../../utils/asr_align_wav.sh
--models ${model}
--align_dir ${align_dir}
--align_config ${align_dir} /align.yaml
${wav} ${align_dir} /utt_text تتم كتابة الأجزاء إلى aligned_segments كقائمة بأسماء الملف/الكلام ، وبدء الكلام ونهاية الأوقات في ثوان ، ودرجة الثقة. درجة الثقة هي احتمال في مساحة السجل التي تشير إلى مدى توافق الكلام. إذا لزم الأمر ، قم بإزالة الكلمات السيئة:
min_confidence_score=-5
awk -v ms= ${min_confidence_score} ' { if ($5 > ms) {print} } ' ${align_dir} /aligned_segments يستخدم البرنامج النصي التجريبي utils/ctc_align_wav.sh نموذج ASR الذي تم تدريبه مسبقًا (انظر القائمة أعلاه لمزيد من النماذج). يوصى باستخدام النماذج مع عمليات التشفير المستندة إلى RNN (مثل BLSTMP) لمحاذاة ملفات الصوت الكبيرة ؛ بدلاً من استخدام نماذج المحولات مع استهلاك ذاكرة عالية على بيانات الصوت الأطول. يجب أن يكون معدل عينة الصوت متسقًا مع معدل البيانات المستخدمة في التدريب ؛ ضبط مع sox إذا لزم الأمر. وصفة مثال كاملة في egs/tedlium2/align1/ .
تحدد تجزئة CTC شرائح الكلام داخل الملفات الصوتية. تشكل قطاعات الكلام المحاذاة ملصقات مجموعات بيانات الكلام.
كعروض تجريبية ، نقوم بمحاذاة بداية ونهاية الكلام داخل ملف الصوت ctc_align_test.wav . يمكن القيام بذلك إما مباشرة من سطر أوامر Python أو باستخدام البرنامج النصي espnet2/bin/asr_align.py .
من واجهة سطر أوامر Python:
# load a model with character tokens
from espnet_model_zoo . downloader import ModelDownloader
d = ModelDownloader ( cachedir = "./modelcache" )
wsjmodel = d . download_and_unpack ( "kamo-naoyuki/wsj" )
# load the example file included in the ESPnet repository
import soundfile
speech , rate = soundfile . read ( "./test_utils/ctc_align_test.wav" )
# CTC segmentation
from espnet2 . bin . asr_align import CTCSegmentation
aligner = CTCSegmentation ( ** wsjmodel , fs = rate )
text = """
utt1 THE SALE OF THE HOTELS
utt2 IS PART OF HOLIDAY'S STRATEGY
utt3 TO SELL OFF ASSETS
utt4 AND CONCENTRATE ON PROPERTY MANAGEMENT
"""
segments = aligner ( speech , text )
print ( segments )
# utt1 utt 0.26 1.73 -0.0154 THE SALE OF THE HOTELS
# utt2 utt 1.73 3.19 -0.7674 IS PART OF HOLIDAY'S STRATEGY
# utt3 utt 3.19 4.20 -0.7433 TO SELL OFF ASSETS
# utt4 utt 4.20 6.10 -0.4899 AND CONCENTRATE ON PROPERTY MANAGEMENT يعمل المحاذاة أيضًا مع أجزاء من النص. لهذا ، قم بتعيين خيار gratis_blank الذي يسمح بتخطي أقسام صوتية غير ذات صلة دون عقوبة. من الممكن أيضًا حذف أسماء الكلام في بداية كل سطر عن طريق تعيين kaldi_style_text إلى false.
aligner . set_config ( gratis_blank = True , kaldi_style_text = False )
text = [ "SALE OF THE HOTELS" , "PROPERTY MANAGEMENT" ]
segments = aligner ( speech , text )
print ( segments )
# utt_0000 utt 0.37 1.72 -2.0651 SALE OF THE HOTELS
# utt_0001 utt 4.70 6.10 -5.0566 PROPERTY MANAGEMENT يستخدم البرنامج النصي espnet2/bin/asr_align.py واجهة مماثلة. لمحاذاة الكلمات:
# ASR model and config files from pre-trained model (e.g., from cachedir):
asr_config= < path-to-model > /config.yaml
asr_model= < path-to-model > /valid. * best.pth
# prepare the text file
wav= " test_utils/ctc_align_test.wav "
text= " test_utils/ctc_align_text.txt "
cat << EOF > ${text}
utt1 THE SALE OF THE HOTELS
utt2 IS PART OF HOLIDAY'S STRATEGY
utt3 TO SELL OFF ASSETS
utt4 AND CONCENTRATE
utt5 ON PROPERTY MANAGEMENT
EOF
# obtain alignments:
python espnet2/bin/asr_align.py --asr_train_config ${asr_config} --asr_model_file ${asr_model} --audio ${wav} --text ${text}
# utt1 ctc_align_test 0.26 1.73 -0.0154 THE SALE OF THE HOTELS
# utt2 ctc_align_test 1.73 3.19 -0.7674 IS PART OF HOLIDAY'S STRATEGY
# utt3 ctc_align_test 3.19 4.20 -0.7433 TO SELL OFF ASSETS
# utt4 ctc_align_test 4.20 4.97 -0.6017 AND CONCENTRATE
# utt5 ctc_align_test 4.97 6.10 -0.3477 ON PROPERTY MANAGEMENT يمكن إعادة توجيه إخراج البرنامج النصي إلى ملف segments عن طريق إضافة الوسيطة --output segments . يحتوي كل سطر على اسم الملف/الكلام ، وبدء الكلام والنهاية في ثوان ، ودرجة الثقة ؛ اختياريا أيضا نص الكلام. درجة الثقة هي احتمال في مساحة السجل التي تشير إلى مدى توافق الكلام. إذا لزم الأمر ، قم بإزالة الكلمات السيئة:
min_confidence_score=-7
# here, we assume that the output was written to the file `segments`
awk -v ms= ${min_confidence_score} ' { if ($5 > ms) {print} } ' segments راجع وثائق الوحدة لمزيد من المعلومات. يوصى باستخدام النماذج مع عمليات التشفير المستندة إلى RNN (مثل BLSTMP) لمحاذاة ملفات الصوت الكبيرة ؛ بدلاً من استخدام نماذج المحولات التي لها استهلاك ذاكرة عالية على بيانات الصوت الأطول. يجب أن يكون معدل عينة الصوت متسقًا مع معدل البيانات المستخدمة في التدريب ؛ ضبط مع sox إذا لزم الأمر.
أيضًا ، يمكننا استخدام هذه الأداة لتوفير معلومات تجزئة على مستوى الرمز المميز إذا قمنا بإعداد قائمة من الرموز بدلاً من الكلام في الملف text . انظر المناقشة في #4278 (تعليق).
@inproceedings{watanabe2018espnet,
author={Shinji Watanabe and Takaaki Hori and Shigeki Karita and Tomoki Hayashi and Jiro Nishitoba and Yuya Unno and Nelson {Enrique Yalta Soplin} and Jahn Heymann and Matthew Wiesner and Nanxin Chen and Adithya Renduchintala and Tsubasa Ochiai},
title={{ESPnet}: End-to-End Speech Processing Toolkit},
year={2018},
booktitle={Proceedings of Interspeech},
pages={2207--2211},
doi={10.21437/Interspeech.2018-1456},
url={http://dx.doi.org/10.21437/Interspeech.2018-1456}
}
@inproceedings{hayashi2020espnet,
title={{Espnet-TTS}: Unified, reproducible, and integratable open source end-to-end text-to-speech toolkit},
author={Hayashi, Tomoki and Yamamoto, Ryuichi and Inoue, Katsuki and Yoshimura, Takenori and Watanabe, Shinji and Toda, Tomoki and Takeda, Kazuya and Zhang, Yu and Tan, Xu},
booktitle={Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
pages={7654--7658},
year={2020},
organization={IEEE}
}
@inproceedings{inaguma-etal-2020-espnet,
title = "{ESP}net-{ST}: All-in-One Speech Translation Toolkit",
author = "Inaguma, Hirofumi and
Kiyono, Shun and
Duh, Kevin and
Karita, Shigeki and
Yalta, Nelson and
Hayashi, Tomoki and
Watanabe, Shinji",
booktitle = "Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics: System Demonstrations",
month = jul,
year = "2020",
address = "Online",
publisher = "Association for Computational Linguistics",
url = "https://www.aclweb.org/anthology/2020.acl-demos.34",
pages = "302--311",
}
@article{hayashi2021espnet2,
title={{ESP}net2-{TTS}: Extending the edge of {TTS} research},
author={Hayashi, Tomoki and Yamamoto, Ryuichi and Yoshimura, Takenori and Wu, Peter and Shi, Jiatong and Saeki, Takaaki and Ju, Yooncheol and Yasuda, Yusuke and Takamichi, Shinnosuke and Watanabe, Shinji},
journal={arXiv preprint arXiv:2110.07840},
year={2021}
}
@inproceedings{li2020espnet,
title={{ESPnet-SE}: End-to-End Speech Enhancement and Separation Toolkit Designed for {ASR} Integration},
author={Chenda Li and Jing Shi and Wangyou Zhang and Aswin Shanmugam Subramanian and Xuankai Chang and Naoyuki Kamo and Moto Hira and Tomoki Hayashi and Christoph Boeddeker and Zhuo Chen and Shinji Watanabe},
booktitle={Proceedings of IEEE Spoken Language Technology Workshop (SLT)},
pages={785--792},
year={2021},
organization={IEEE},
}
@inproceedings{arora2021espnet,
title={{ESPnet-SLU}: Advancing Spoken Language Understanding through ESPnet},
author={Arora, Siddhant and Dalmia, Siddharth and Denisov, Pavel and Chang, Xuankai and Ueda, Yushi and Peng, Yifan and Zhang, Yuekai and Kumar, Sujay and Ganesan, Karthik and Yan, Brian and others},
booktitle={ICASSP 2022-2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
pages={7167--7171},
year={2022},
organization={IEEE}
}
@inproceedings{shi2022muskits,
author={Shi, Jiatong and Guo, Shuai and Qian, Tao and Huo, Nan and Hayashi, Tomoki and Wu, Yuning and Xu, Frank and Chang, Xuankai and Li, Huazhe and Wu, Peter and Watanabe, Shinji and Jin, Qin},
title={{Muskits}: an End-to-End Music Processing Toolkit for Singing Voice Synthesis},
year={2022},
booktitle={Proceedings of Interspeech},
pages={4277-4281},
url={https://www.isca-speech.org/archive/pdfs/interspeech_2022/shi22d_interspeech.pdf}
}
@inproceedings{lu22c_interspeech,
author={Yen-Ju Lu and Xuankai Chang and Chenda Li and Wangyou Zhang and Samuele Cornell and Zhaoheng Ni and Yoshiki Masuyama and Brian Yan and Robin Scheibler and Zhong-Qiu Wang and Yu Tsao and Yanmin Qian and Shinji Watanabe},
title={{ESPnet-SE++: Speech Enhancement for Robust Speech Recognition, Translation, and Understanding}},
year=2022,
booktitle={Proc. Interspeech 2022},
pages={5458--5462},
}
@inproceedings{gao2023euro,
title={{EURO: ESP}net unsupervised {ASR} open-source toolkit},
author={Gao, Dongji and Shi, Jiatong and Chuang, Shun-Po and Garcia, Leibny Paola and Lee, Hung-yi and Watanabe, Shinji and Khudanpur, Sanjeev},
booktitle={ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
pages={1--5},
year={2023},
organization={IEEE}
}
@inproceedings{peng2023reproducing,
title={Reproducing {W}hisper-style training using an open-source toolkit and publicly available data},
author={Peng, Yifan and Tian, Jinchuan and Yan, Brian and Berrebbi, Dan and Chang, Xuankai and Li, Xinjian and Shi, Jiatong and Arora, Siddhant and Chen, William and Sharma, Roshan and others},
booktitle={2023 IEEE Automatic Speech Recognition and Understanding Workshop (ASRU)},
pages={1--8},
year={2023},
organization={IEEE}
}
@inproceedings{sharma2023espnet,
title={ESPnet-{SUMM}: Introducing a novel large dataset, toolkit, and a cross-corpora evaluation of speech summarization systems},
author={Sharma, Roshan and Chen, William and Kano, Takatomo and Sharma, Ruchira and Arora, Siddhant and Watanabe, Shinji and Ogawa, Atsunori and Delcroix, Marc and Singh, Rita and Raj, Bhiksha},
booktitle={2023 IEEE Automatic Speech Recognition and Understanding Workshop (ASRU)},
pages={1--8},
year={2023},
organization={IEEE}
}
@article{jung2024espnet,
title={{ESPnet-SPK}: full pipeline speaker embedding toolkit with reproducible recipes, self-supervised front-ends, and off-the-shelf models},
author={Jung, Jee-weon and Zhang, Wangyou and Shi, Jiatong and Aldeneh, Zakaria and Higuchi, Takuya and Theobald, Barry-John and Abdelaziz, Ahmed Hussen and Watanabe, Shinji},
journal={Proc. Interspeech 2024},
year={2024}
}
@inproceedings{yan-etal-2023-espnet,
title = "{ESP}net-{ST}-v2: Multipurpose Spoken Language Translation Toolkit",
author = "Yan, Brian and
Shi, Jiatong and
Tang, Yun and
Inaguma, Hirofumi and
Peng, Yifan and
Dalmia, Siddharth and
Pol{'a}k, Peter and
Fernandes, Patrick and
Berrebbi, Dan and
Hayashi, Tomoki and
Zhang, Xiaohui and
Ni, Zhaoheng and
Hira, Moto and
Maiti, Soumi and
Pino, Juan and
Watanabe, Shinji",
booktitle = "Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Volume 3: System Demonstrations)",
year = "2023",
publisher = "Association for Computational Linguistics",
pages = "400--411",
}
