paddlespeech 语音识别原理

语音识别技术能够让计算机理解人类的语音，从而支持多种语音交互的场景，如手机应用、人车协同、机器人对话、语音转写等。然而，在这些场景中，语音识别的输入并不总是单一的语言，有时会出现多语言混合的情况。例如，在中文场景中，我们经常会使用一些英文专业术语来表达意思，如“GPS信号弱”、“Java工程师”等，这就给语音识别技术带来了新的挑战。

本次PaddleSpeech发布的中英文语音识别预训练模型Conformer_talcs可以通过PaddleSpeech封装的命令行工具CLI或者Python接口快速使用，开发者们可以基于此搭建自己的智能语音应用，也可以参考示例训练自己的中英文语音识别模型。

示例链接

***/PaddlePaddle/PaddleSpeech/tree/develop/examples/tal_cs/asr1

■ 快速体验

示例音频

***/PaddleAudio/ch_zh_mix.wav

使用命令行工具CLI快速体验语音识别效果，命令如下：

bashpaddlespeech asr --model conformer_talcs --lang zh_en --codeswitch True --input ./ch_zh_mix.wav -v# 终端输出：今天是monday 明天是tuesday

Python接口快速体验，代码实现如下：

python>>> import paddle>>> from paddlespeech.cli.asr import ASRExecutor>>> asr_executor = ASRExecutor()>>> text = asr_executor( model='conformer_talcs', lang='zh_en', sample_rate=16000, cOnfig=None, ckpt_path=None, audio_file='./ch_zh_mix.wav', codeswitch=True, force_yes=False, device=paddle.get_device())>>> print('ASR Result: \n{}'.format(text))ASR Result:今天是 monday 明天是tuesday

中英文语音识别技术

▎中英文语音识别难点

中英文语音识别相较于单语言的语音识别而言，主要难点如下：

■ 数据量少

中英混合数据相较于单语言的数据更少。目前开源的中文语音识别数据集如WenetSpeech（10000小时有监督，2500小时弱监督，10000小时无监督）、英文语音识别数据集Giga Speech（10000小时有监督，33000小时无监督）都达到了万小时级别，但是混合的开源中英文语音识别数据只有SEAME(120小时)和TAL_CSASR(587小时)两个开源数据，混合数据集比单语言数据集会更少。

■ 中英相似发音易混淆

中英文语音识别需要一个单一的模型来学习多种语音，相似但具有不同含义的发音通常会导致模型的复杂度和计算量增加，同时由于它需要区分处理不同语言的类似发音，因此在模型建模时就需要按照不同语言区分不同的建模单元。

▎PaddleSpeech中英文语音识别方案

■ 模型选择与介绍

本方案使用了一种端到端语音识别模型Conformer U2模型，其采用了Joint CTC/Attention with Transformer or Conformer的结构。训练时使用CTC和Attention Loss联合优化，并且通过dynamic chunk的训练技巧，使Shared Encoder能够处理任意大小的chunk（即任意长度的语音片段）。其还使用CTC-Prefix Beam Search和Attention Decoder的方式进行解码，得到最终结果，同时实现了流式和非流式的语音识别，支持控制推理延迟。

本次PaddleSpeech开源的预训练模型，是非流式的端到端识别Conformer U2模型，chunk中包含全部上下文信息，需要整句输入进行识别。如果你想训练流式中英文语音识别模型，也可以参考PaddleSpeech的Conformer U2/U2++模型流式语音识别的示例训练自己的流式中英文语音识别模型。

示例链接

***/PaddlePaddle/PaddleSpeech/tree/develop/examples/wenetspeech/asr1

Conformer U2结构示意图[1]

■ 数据集介绍

本次使用了TAL_CSASR中英混合语音数据集。语音场景为语音授课音频，包括中英混合讲课的情况，总计587小时语音。

数据集下载地址

***/dataset

数据集介绍[2]

■ 中英混合语音识别建模单元

在中文语音识别系统中，常采用音素、汉字、词等作为声学模型的建模单元，在英文语音识别系统中则常采用英文音素、国际音标、子词等作为声学模型的建模单元。

本次PaddleSpeech开源的预训练中英文语音识别模型是采用端到端语音识别模型Conformer U2，未接入语言模型，使用了中文字/词加英文子词的建模方法，将中英文分开建模，通过模型推理，直接得到识别后的结果。

■ 试验结果对比

由于本项目使用的是中英文混合数据集，所以我们选择混合错误率（MER，Mix Error Rate）作为评价指标，中文部分计算字错误率（CER，Character Error Rate），英文部分计算词错误率（Word Error Rate）。测试数据集选择TAL_CSASR中已经划分好的测试集。由于不同的解码方式识别的效果不同，这里我们使用Attention、CTC Greedy Search、CTC Prefix Beam Search、Attention Rescoring四种解码方式进行试验，解码效果最佳为Attention Rescoring，混合错误率MER为0.084，折算为我们常说的语音识别正确率91.6%。

■ 进一步优化与效果提升

当前中英文语音识别方案的效果还有进一步提升的空间，比如在Conformer U2模型后面加入Language Model，通过语言模型学习中英文语言信息，PaddleSpeech中提供了基于N-Gram的语言模型训练方案。此外，可以在训练过程中加入Language ID，使用token级别或者帧级别的语言ID标注信息，可以进一步提高中英文语音识别的效果。如果你有更大的中英文混合数据集或者是场景相关的数据集，可以通过微调或者进一步训练，提高在业务场景中的识别效果。

PaddleSpeech语音识别技术介绍

除了中英文混合的Conformer U2模型以外，飞桨语音模型库PaddleSpeech中包含了多种语音识别模型，能力涵盖了声学模型、语言模型、解码器等多个环节，支持多种语言。目前PaddleSpeech已经支持的语音识别声学模型包括DeepSpeech2、Transfromer、Conformer U2/U2 ++，支持中文和英文的单语言识别以及中英文混合识别；支持CTC前束搜索（CTC Prefix Beam Search）、CTC贪心搜索（CTC Greedy Search）、注意力重打分(Attention Rescoring)等多种解码方式；支持N-Gram语言模型、有监督多语言大模型Whisper、无监督预训练大模型wav2vec2；同时还支持服务一键部署，可以快速封装流式语音识别和非流式语音识别服务。通过PaddleSpeech提供的命令行工具CLI和Python接口可以快速体验上述功能。

通过PaddleSpeech精品项目合集，可以在线体验PaddleSpeech的优秀项目，上面更有PaddleSpeech核心开发者精心打造的《飞桨PaddleSpeech语音技术课程》，帮助开发者们快速入门。