开源ASR服务器vosk
概述
近几年由于AI的迅速发展，语音相关的自然语言处理NLP项目也变多了，新的技术也越来越成熟，其中TTS（语音生成）和ASR（语音识别）是NLP中非常重要的环节。
今天我们介绍一个开源的ASR项目vosk，以及vosk的简单应用方法。
Vosk是开源的语音识别工具包。Vosk支持的事情包括：
1. 支持十九种语言 - 中文，英语，印度英语，德语，法语，西班牙语，葡萄牙语，俄语，土耳其语，越南语，意大利语，荷兰人，加泰罗尼亚语，阿拉伯, 希腊语, 波斯语, 菲律宾语，乌克兰语, 哈萨克语。
2. 移动设备上脱机工作-Raspberry Pi，Android，iOS。
3. 使用简单的 pip3 install vosk 安装。
4. 每种语言的手提式模型只有是50Mb, 但还有更大的服务器模型可用。
5. 提供流媒体API，以提供最佳用户体验（与流行的语音识别python包不同）。
6. 还有用于不同编程语言的包装器-java / csharp / javascript等。
7. 可以快速重新配置词汇以实现最佳准确性。
8. 支持说话人识别。
环境
centos：CentOS release 7.0 (Final)或以上版本
VOSK服务器
vosk服务器的部署非常简单，有发布好的docker镜像可以直接使用。
使用docker启动VOSK服务器，选择中文模型kaldi-cn。
docker run -d -p 2700:2700 alphacep/kaldi-cn:latest
测试
客户端的连接支持多种方式，包括grpc、mqtt、webrtc、websocket等，我们可以通过git上的源代码查找到合适的样例。
下载vosk-server源代码
git clone https://github.com/alphacep/vosk-server
cd vosk-server/websocket
./test.py test1.wav
注意事项：语音文件test1.wav的格式必须8khz 16bit mono PCM（8000采样率，16位采样精度，单声道，pcm）。
可以在屏幕上看到服务器返回的识别结果，结果是json格式。
{
"result" : [{
"conf" : 0.993990,
"end" : 0.510000,
"start" : 0.090000,
"word" : "语音"
}, {
"conf" : 0.936422,
"end" : 1.080000,
"start" : 0.510000,
"word" : "测试"
}, {
"conf" : 0.821353,
"end" : 1.950000,
"start" : 1.350000,
"word" : "天天"
}, {
"conf" : 0.866125,
"end" : 2.190000,
"start" : 1.950000,
"word" : "是"
}, {
"conf" : 0.657369,
"end" : 2.400000,
"start" : 2.190000,
"word" : "二"
}, {
"conf" : 0.657369,
"end" : 2.610000,
"start" : 2.400000,
"word" : "零"
}, {
"conf" : 0.651791,
"end" : 2.820000,
"start" : 2.610000,
"word" : "二"
}, {
"conf" : 0.994422,
"end" : 3.180000,
"start" : 2.820000,
"word" : "一年"
}, {
"conf" : 1.000000,
"end" : 3.600000,
"start" : 3.180000,
"word" : "八月"
}, {
"conf" : 0.985209,
"end" : 3.930000,
"start" : 3.600000,
"word" : "二十"
}, {
"conf" : 0.985209,
"end" : 4.410000,
"start" : 3.930000,
"word" : "五号"
}\],"text" : "语音 测试 天天 是 二 零 二 一年 八月 二十 五号"
}
总结
从vosk中文库的识别结果看，还有不少的问题存在，包括识别率，分词，分段等等，和目前市面上的商业ASR引擎还是有差距的。
当然，vosk的识别库模型也支持自定义和优化，有兴趣的同学可以去官网深入的了解一下。
vosk官网：https://alphacephei.com
OK，今天我们对vosk的介绍到此结束。
空空如常
求真得真
开源ASR服务器vosk概述近几年由于AI的迅速发展，语音相关的自然语言处理NLP项目也变多了，新的技术也越来越成熟，其中TTS（语音生成）和ASR（语音识别）是NLP中非常重要的环节。今天我们介绍一个开源的ASR项目vosk，以及vosk的简单应用方法。Vosk是开源的语音识别工具包。Vosk支持的事情包括：1.支持十九种语言 - 中文，英语，印度英语，德语，法语，西班牙语，葡萄牙语，俄语，土耳其语，越南语，意大利语，荷兰人，加泰罗尼亚语，阿拉伯, 希腊语, 波斯语, 菲律宾语，乌克兰语, 哈萨克语。2.移动设备上脱机工作-Raspberry Pi，Android，iOS。3.使用简单的 pip3 install vosk 安装。4.每种语言的手提式模型只有是50Mb, 但还有更大的服务器模型可用。5.提供流媒体API，以提供最佳用户体验（与流行的语音识别python包不同）。6.还有用于不同编程语言的包装器-java / csharp / javascript等。7.可以快速重新配置词汇以实现最佳准确性。8.支持说话人识别。
环境centos：CentOS release 7.0 (Final)或以上版本
VOSK服务器vosk服务器的部署非常简单，有发布好的docker镜像可以直接使用。使用docker启动VOSK服务器，选择中文模型kaldi-cn。docker run -d -p 2700:2700 alphacep/kaldi-cn:latest
测试客户端的连接支持多种方式，包括grpc、mqtt、webrtc、websocket等，我们可以通过git上的源代码查找到合适的样例。下载vosk-server源代码git clone https://github.com/alphacep/vosk-servercd vosk-server/websocket./test.py test1.wav
注意事项：语音文件test1.wav的格式必须8khz 16bit mono PCM（8000采样率，16位采样精度，单声道，pcm）。
可以在屏幕上看到服务器返回的识别结果，结果是json格式。{ "result" : [{ "conf" : 0.993990, "end" : 0.510000, "start" : 0.090000, "word" : "语音" }, { "conf" : 0.936422, "end" : 1.080000, "start" : 0.510000, "word" : "测试" }, { "conf" : 0.821353, "end" : 1.950000, "start" : 1.350000, "word" : "天天" }, { "conf" : 0.866125, "end" : 2.190000, "start" : 1.950000, "word" : "是" }, { "conf" : 0.657369, "end" : 2.400000, "start" : 2.190000, "word" : "二" }, { "conf" : 0.657369, "end" : 2.610000, "start" : 2.400000, "word" : "零" }, { "conf" : 0.651791, "end" : 2.820000, "start" : 2.610000, "word" : "二" }, { "conf" : 0.994422, "end" : 3.180000, "start" : 2.820000, "word" : "一年" }, { "conf" : 1.000000, "end" : 3.600000, "start" : 3.180000, "word" : "八月" }, { "conf" : 0.985209, "end" : 3.930000, "start" : 3.600000, "word" : "二十" }, { "conf" : 0.985209, "end" : 4.410000, "start" : 3.930000, "word" : "五号" }], "text" : "语音 测试 天天 是 二 零 二 一年 八月 二十 五号"}
总结从vosk中文库的识别结果看，还有不少的问题存在，包括识别率，分词，分段等等，和目前市面上的商业ASR引擎还是有差距的。当然，vosk的识别库模型也支持自定义和优化，有兴趣的同学可以去官网深入的了解一下。vosk官网：https://alphacephei.comOK，今天我们对vosk的介绍到此结束。
空空如常求真得真
手机扫一扫
移动阅读更方便
你可能感兴趣的文章