ASR工业化语音模型总结

最新推荐文章于 2025-04-20 23:24:11 发布
最新推荐文章于 2025-04-20 23:24:11 发布
阅读量524 收藏
点赞数 3
文章标签： ASR
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sslfk/article/details/137039585
版权
自动语音识别（ASR）模型全览
u013250861的博客
03-04 417
场景适配建议移动端/嵌入式：Zipformer、Moonshine、QuartzNet（低功耗、轻量化）。实时交互：Squeezeformer、Transformer Transducer（低延迟）。多语言/方言：Whisper、腾讯云ASR、Paraformer（支持热词定制）。企业级服务：FunASR、WeNet（高精度、易部署）。学术研究：Kaldi、ESPnet（灵活可定制）。
ASR-详解CTC(Connectionist Temporal Classification)
u013250861的博客
05-13 340
在语音识别中，我们的数据集是音频文件和其对应的文本，不幸的是，音频文件和文本很难再单词的单位上对齐。除了语言识别，在OCR，机器翻译中，都存在类似的Sequence to Sequence结构，同样也需要在预处理操作时进行对齐，但是这种对齐有时候是非常困难的。如果不使用对齐而直接训练模型时，由于人的语速的不同，或者字符间距离的不同，导致模型很难收敛。
(含源码和训练数据集)在Python中使用PyTorch Lightning构建自动语音识别(ASR)模型
专注于人工智能领域的小何尚
06-10 5996
人工智能正在推动第四次工业革命，机器可以听、看、理解、分析，然后在超人的水平上做出明智的决定。 然而，人工智能的有效性取决于底层模型的质量。 因此，无论您是学术研究人员还是数据科学家，您都希望快速构建具有各种参数的模型，并为您的解决方案确定最有效的模型。在这篇文章中，我将介绍使用 PyTorch Lightning 构建语音模型。PyTorch Lightning 是用于高性能 AI 研究的轻量级 PyTorch 包装器。 使用 Lightning 组织 PyTorch 代码可以在多个 GPU、TPU、CP
深入解析ASR技术：从基础原理到模型优化
smallfatman的博客
04-07 1468
自动语音识别（Automatic Speech Recognition，ASR）是现代人机交互的核心技术之一，它使计算机能够将人类语音转换为可处理的文本数据。ASR技术作为语音交互的入口，其准确性直接影响用户体验。通过建立科学的评价体系、系统的优化流程和针对性的模型调优，可以显著提升识别率。端到端模型：简化传统流水线，提升整体性能自适应学习：实时适应用户发音特点多模态融合：结合视觉、上下文等信息提升准确率低资源场景：提升小数据量下的模型表现。
ASR常用模型
Lyncai的专栏
07-24 1485
优秀ASR模型及其参数解析
laoxian0311的博客
03-12 844
ASR模型是一种利用深度学习技术，将语音信号转换为文本的系统。它通常由声学模型、语言模型和解码器组成。ASR模型的性能受到参数规模、训练数据质量以及优化方法的影响。
ASR语音转文字模型——项目落地
weixin_39586997的博客
07-13 3505
1.项目背景 2.技术原理 3.常见模型 4.数据预处理 5.模型复现效果 6.离线服务部署
【语音识别】WeNet——CPU开源中文语音识别模型选择、部署、封装与流式实现
m0_63589378的博客
07-12 3472
本文介绍了一次ASR项目开发，包括知识介绍、模型选择、部署、封装、流式逻辑实现等内容。
ASR Conformer模型论文及代码分析
u013250861的博客
05-29 711
Conformer是Google在2020年提出的语音识别模型，基于Transformer改进而来，主要的改进点在于Transformer在提取长序列依赖的时候更有效，而卷积则擅长提取局部特征，因此将卷积应用于Transformer的Encoder层，同时提升模型在长期序列和局部特征上的效果，实际证明，该方法确实有效，在当时的LibriSpeech测试集上取得了最好的效果。
Whisper 模型压缩技术：轻量级语音识别方案
AI 领航者的博客
04-15 1206
随着智能音箱、车载语音助手、实时字幕等应用的普及，语音识别技术对低延迟、低功耗的边缘部署需求日益增长。OpenAI开发的Whisper模型凭借多语言支持、长音频处理能力和端到端架构，成为当前语音识别领域的标杆模型。然而，原始Whisper模型（如large-v2版本）参数量超过15亿，计算复杂度高，难以直接部署在手机、嵌入式设备等资源受限环境中。本文聚焦Whisper模型的压缩优化技术，系统讲解模型量化、结构剪枝、知识蒸馏等核心方法，结合数学建模和工程实践，提供从理论分析到代码实现的完整解决方案。
语音识别文本纠错模型
03-29 6439
文本纠错任务是一项NLP基础任务，其输入是一个可能含有错误字词的句子，输出是一个正确的中文句子。ASR（语音识别）文本的错误类型很多，有多字、少字、错别字、同音近音字等等。
自动语音识别（ASR）：研究综述【传统语音识别：基于贝叶斯公式，对联合概率P(X|W)·P(W)进行建模（语音识别结果=声学模型×语言模型）】【端到端语音识别：直接对条件概率 P(W|X)进行建模 】
u013250861的博客
03-09 7659
一、传统语音识别基本原理（基于贝叶斯公式） 设一段语音信号经过特征提取得到特征向量序列为 X=[x1, x2, …, xN], 其中 xi 是一帧的特征向量, i=1, 2, …,N, N 为特征向量的数目. 该段语音对应的文本序列设为 W=[w1, w2, …, wM], 其中 wi 为基本组成单元, 如音素、单词、字符, i=1, 2, …, M, M 为文本序列的维度. 从贝叶斯角度, 语音识别的目标就是从所有可能产生特征向量X的文本序列中找到概率最大的W*, 可以用公式表示为式 (1) 优化问题:
语音识别(ASR)系列之二：混合模型
w519021660
03-09 613
语音识别(ASR)系列之二：混合模型
【3k star!】最新开源ASR模型Moonshine性能超过whisper: 速度更快、准确率更高！实测一把，感觉。。。
Python_cocola的博客
11-22 3928
Moonshine 是由 Useful Sensors公司推出开源的语音到文本（speech-to-text, STT）转换模型，旨在为资源受限设备提供快速而准确的自动语音识别（ASR）服务。Moonshine 基于先进的编码器-解码器架构，采用了Transformer模型。其编码器部分负责处理输入的语音信号，而解码器部分则生成文本输出。Moonshine模型具有以下特点:开源tiny版本，参数量:27 M, 只支持英文语言;开源base版本，参数量:61 M, 只支持英文语言;
可能是最紧凑、最轻量级的ASR模型：Vosk实战解析
最新发布
罗索工作室
04-20 720
前面在我的笔记本上用FunASR和PaddleSpeech为小落同学整合了一下ASR的功能，但是发现在我的阿里云ECS上跑不动，由于是乎就想找一个最轻量级的ASR模型，让小落同学也可以用上免费白嫖的ASR功能。
ASR（自动语音识别）任务中的LLM（大语言模型）
from top to bottom
08-18 7750
用于在训练阶段提供更多的文本数据使解码器可以更好地被训练，在推理阶段不再被使用；在训练期间，其他部分保持不动，仅训练此部分从而得到一个。编码器的隐状态参与计算，利用大语言模型的能力得到更好的解码结果。：由三部分组成，分别是提示文本表征，输入语音表征以及检索到的。模型进行深度结合，统一语音和文本的编码空间或者直接利用。：根据过滤后的语音表征从数据库中查找与该段语音相关的。处理语音序列，并使用卷积网络对其进行下采样；的效果，本文在训练时设计了多种提示词；：手工设计的提示词，为了达到。
ASR语音识别技术原理及应用【ASR技术通常包括三个主要组成部分：前端处理、声学模型和语言模型】
u013250861的博客
02-14 1509
当客户打电话时，ASR技术可以帮助识别客户的问题，并将其转化为可读的文本形式，从而提高客服代表的工作效率。声学模型：声学模型是ASR系统中的核心组成部分，用于将输入的语音信号转化为文本表示。智能家居：ASR技术可以与智能家居设备一起使用，让人们可以通过声音控制灯光、温度、电器等各种设备，实现更加智能化和便捷化的生活方式。前端处理：前端处理是ASR系统中最基本和重要的部分。汽车驾驶：ASR技术可以用于汽车驾驶中，使驾驶员可以通过声音控制汽车的导航、音乐播放、电话通话等功能，从而提高驾驶安全性和便利性。
NVIDIA Sky Hackathon——有关ASR模型相关简述
yeyeyeyezihao的博客
12-03 1431
NVIDIA Sky Hackathon 比赛相关理解以及ASR语音训练模型简述
ASR-端对端模型04：RNNT-SLP/Stateless【Rnn-T的预测网络中不用RNN层】【预测网络的最大作用似乎是阻止输出重复的建模单元，即可以控制＜blank＞标签的预测概率】
u013250861的博客
05-29 257
当文本-语音平行语料规模较大时，RNN-Transducer（RNNT）显著优于传统语音识别模型。但是对于低资源语言，RNNT经常会过拟合，并且不像传统ASR系统，无法利用额外的大规模文本语料。RNNT中的预测网络（prediction network）一般被认为类似于传统ASR模型的语言模型（Language Model，LM），但通过实验发现，使用文本语料预训练预测网络并不能带来提升。
ASR02 语音识别模块详细介绍
02-20
ASR02 是一款专为嵌入式设备设计的小型化自动语音识别(Automatic Speech Recognition, ASR)模块。该模块具备高性能、低功耗的特点，适用于多种应用场景。 #### 技术参数 - **处理器**：ARM Cortex-M系列微控制器 - ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

会发paper的学渣

您的鼓励和将是我前进的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值