rnnt speech recognition

RNN-传感器语音识别

在 Tensorflow 2.0 中使用 RNN-Transducer 进行端到端语音识别

概述

该语音识别模型基于 Google 的移动设备流式端到端语音识别研究论文，并使用 Tensorflow 2.0 在 Python 3 中实现

设置您的环境

要设置您的环境，请运行以下命令：

 git clone --recurse https://github.com/noahchalifour/rnnt-speech-recognition.git
cd rnnt-speech-recognition
pip install tensorflow==2.2.0 # or tensorflow-gpu==2.2.0 for GPU support
pip install -r requirements.txt
./scripts/build_rnnt.sh # to setup the rnnt loss

共同声音

您可以在此处找到并下载 Common Voice 数据集

将所有 MP3 转换为 WAV

在 Common Voice 数据集上训练模型之前，必须首先将所有音频 mp3 文件类型转换为 wav。通过运行以下命令来执行此操作：

注意：确保您的计算机上安装了ffmpeg ，因为它使用它将 mp3 转换为 wav

 ./scripts/common_voice_convert.sh <data_dir> <# of threads>
python scripts/remove_missing_samples.py 
    --data_dir <data_dir> 
    --replace_old

预处理数据集

将所有 mp3 转换为 wav 后，您需要预处理数据集，可以通过运行以下命令来完成：

 python preprocess_common_voice.py 
    --data_dir <data_dir> 
    --output_dir <preprocessed_dir>

训练模型

要训​​练简单模型，请运行以下命令：

 python run_rnnt.py 
    --mode train 
    --data_dir <path to data directory>