语音识别(ASR)论文优选：全球最大的中英混合开源数据TALCS: An Open-Source Mandarin-English Code-Switching Corpus and a Speech

最新推荐文章于 2025-09-10 21:10:59 发布
原创 最新推荐文章于 2025-09-10 21:10:59 发布 · 1.3k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#语音识别 #人工智能 #深度学习 #机器学习 #音频

声明：平时看些文章做些笔记分享出来，文章中难免存在错误的地方，还望大家海涵。搜集一些资料，方便查阅学习：http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html，语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg）。如有转载，请注明出处。欢迎关注微信公众号：低调奋进。

TALCS: An Open-Source Mandarin-English Code-Switching Corpus and a Speech Recognition Baseline

本文是好未来在2022.06.27更新的文章，主要开源最大的中英混合训练语料，为语音识别的Code-switching方向研究做贡献。

（开源数据统计可参见http://yqli.tech/page/data.html）

由于本文主要工作是开源全球最大的中英混合数据，我们就不再介绍背景，直接查看数据集的情况​。该数据集为好未来英语课授课音频，包含中英文混合讲话的情况，每条音频只有一位说话人，该数据集有100多说话人。（文件63.36G）该数据包含了如图1所示的句内和句间混合的样例。该数据中的中文汉字和英文单词之间的比例为13:1，其中top 20如图​2所示。table 1展示了语库的训练集合测试集的划分情况，table 2展示使用该数据集在espnet和wenet上的实验结果。

数据规模587小时音频
采样率16KHz
采样位声16bit
录制设备普通麦克风
说话人200+
录制时间2019年
数据格式音频：.wav；标注结果：.txt
音频长度1～60s
数据类型英语课教师授课音频

​

解决spacy3.2报错：Can‘t find model ‘en‘.
发现问题，并解决问题，批判性思维
12-05 2455
（1）下载spacy一直没成功，把pip install spacy改成conda install spacy就可以了； （2）在命令行输入 python3 -m spacy download en 来下载英语语言包（如果是其他语言则下载其他包了），不过en现在最好用全称en_core_web_sm，这一步也可以先下载tar再pip install en_core_web_md-2.2.5.tar.gz（但是注意把文件放对路径）。 然后测试下代码： import spacy import nltk # l
[论文阅读] Knowledge Fusion of Large Language Models
qq_43349296的博客
02-07 1284
整体Pipeline如下图所示不同的动物代表不同的LLM。左边第一，第二分别是是Ensemble以及Weight Merging方法。最右侧为本文提出的FuseLLM。
搞定中英文混合识别！FunASR多语言语音转写全攻略
gitblog_00065的博客
09-10 395
在全球化沟通场景中，中英文混合语音识别一直是企业级应用的痛点。当会议录音中夹杂着"这个project需要用Python实现algorithm"这样的表达时，传统语音识别系统往往出现识别断裂或语义失真。FunASR作为开源端到端语音识别工具包，通过模块化架构设计与SOTA预训练模型，为解决多语言混合转写难题提供了完整技术方案。本文将从问题根源分析入手，详解基于FunASR的全流程解决方案，包含模型选...
挑战赛 | MagicHub中英混语音识别挑战赛发布基线系统和开发训练集
weixin_47718443的博客
08-24 1153
8月24日，MagicHub中英混语音识别挑战赛发布基线系统和开发训练集。
文本/字符检测定位数据集，中英文混合
10-15
自建的SOSO街景地图自行抓取数据集，涵盖了了道路交通指示牌、路边立柱广告牌、墙体/车体广告、商店招牌、建筑名号、车牌、条幅等场景下的图像，图片质量不是很好，分割难度较大。
中英语音数据库（98个语音文件）
06-23
中英语音数据库（98个语音文件）可用于训练和测试中英的语种识别，语音文件基本都大于8秒
中英文语音数据集.docx
12-11
最全面的中英文语音数据集介绍（附加下载链接），包括LibriSpeech ASR corpus，TED-LIUM，THCHS-30，Aishell等
语音识别(ASR)论文优选：可商用的开源30000小时ASR英文训练语料The People‘s Speech: A Large-Scale Diverse English Speech Recogn
低调奋进
11-19 2354
声明：平时看些文章做些笔记分享出来，文章中难免存在错误的地方，还望大家海涵。搜集一些资料，方便查阅学习：http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html，语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg）。如有转载，请
三点几嚟，饮茶先啦！PaddleSpeech发布全流程粤语语音合成
PaddlePaddle
03-31 1183
PaddleSpeech是飞桨开源语音模型库，其提供了一套完整的语音识别、语音合成、声音分类和说话人识别等多个任务的解决方案。近日，PaddleSpeech迎来了重要更新——r1.4.0版本。在这个版本中，PaddleSpeech带来了中文wav2vec2.0 fine-tune流程、升级的中英文语音识别以及全流程粤语语音合成等重要更新。
【项目实训-补档-PaddleSpeech部署完整流程】
2202_75408472的博客
04-29 2388
为了在项目中不与项目主后端的依赖产生冲突,PaddleSpeech的依赖笔者全部创建在了conda环境中，采用微服务的方式构建后端服务群，部署过程可直接看第三部分。
语音识别 论文合集
10-17
2018 语音识别 最新论文 合作 GAN 2018 语音识别 最新论文 合作 GAN
asr做法：WFST ASR openfst_python
02-14
练习 Code base: https://github.com/Ore-an/asr_assignment WFST ASR system
code-switching论文笔记 TOWARDS CODE-SWITCHING ASR FOR END-TO-END CTC MODELS
qing101hua的专栏
09-10 1940
微软语言中心+JHU TOWARDS CODE-SWITCHING ASR FOR END-TO-END CTC MODELS 摘要： 尽管单语和多语自动语音识别(ASR)的端到端(E2E)模型已经取得了很大的进展，但就我们目前所知，还没有对E2E模型在具有挑战性的句内码转换(CS) ASR任务方面的成功研究。在本文中，我们提出了一种利用E2E连接体时间分类(CTC)模型来实现CS ASR...
数据库开源 | 200人中英文混说数据库开放申请
量子位
04-18 1194
各位语音识别领域的攻城狮小伙伴们，福利来啦！量子位将与冲浪科技共同开放开源数据库：200人中英文混说数据库，冲浪科技为本次数据提供方。此外，我们还将共同打造一个语音识别技...
中文语音识别实战（ASR）
arvinChen的博客
04-25 2507
本博客主要介绍了1. 语音识别基础知识2. 中文语音识别数据集3. 语音识别常用模型方法4. 自己训练一个中文语音识别模型目录语音识别基础数据集模型wav2vecwhipser训练代码工具代码推理代码单条推理参考语音识别基础音视频开发基础入门｜声音的采集与量化、音频数字信号质量、音频码率_量化后的声音信号-优快云博客数据集包含大陆，香港，台湾等地的语音数据。模型。
Speech识别论文与zh数据集
源代码杀手的博客
11-08 288
Deep Speech 2 : End-to-End Speech Recognition in English and Mandarin论文 http://proceedings.mlr.press/v48/amodei16.pdf https://blog.youkuaiyun.com/w5688414/article/details/77839290 https://www.cnblogs.com/yanqiang/p/13371490.html ctc https://blog.youkuaiyun.com/weixin_
2022年3月语音合成（TTS)和语音识别(ASR)论文月报
低调奋进
04-01 2713
论文统计每月更新一次，主要跟踪语音合成和语音识别的发展状况(很多文章都是在会议后才发出，但不影响统计。统计过程难免存在疏漏，因此统计结果仅供参考。所有文章语音合成领域统计列表请访问http://yqli.tech/page/tts_paper.html，语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。开源语音数据查询http://yqli.tech/page/data.html。 如何查找语音资料请参考文章https://mp.weixin.q...
大模型日常：支持中英混合及多语言文生语音的MeloTTS本地部署
m0_46580983的博客
10-24 6076
MeloTTS 是一个强大的多语言文本转语音库，特别设计以支持CPU环境下的实时语音合成，无需依赖GPU。该库能够输出自然流畅的语音，提供了一种高效便捷的方式，将文本信息转换为听觉内容。MeloTTS不仅支持多种语言，包括英语、西班牙语、法语、中文、日语和韩语，还能处理混合语言文本，如含有英语单词的中文文本。此外，用户还可以根据需求调整语速，选择不同的发音口音，如美式英语、英式英语、印度英语和澳大利亚英语
语音合成之十四 文本转语音（TTS）开源数据集
shichaog的专栏
05-14 2815
近年来，深度学习推动了文本转语音（TTS）技术的显著进步，能够生成高度逼真且可控的语音。高质量、大规模且多样化的数据集是训练先进TTS模型的基础。TTS数据集需要包含音频-文本校对、时间对齐、元数据等，以捕捉语音的细微差别。数据集的构建涉及语言学、信号处理和数据科学，是TTS系统开发的核心环节。数据增强策略如噪声注入、音高变换等，可提高模型泛化能力。数据预处理中的采样率统一、文本规范化和声学特征提取是确保模型性能的关键步骤。文本规范化处理数字、缩写等非标准词，音素化策略则涉及字符、字位与音素的转换，对合成语
PaddleSpeech 修改模型默认位置
最新发布
09-12
<think> 嗯，用户需要了解如何在PaddleSpeech中修改模型默认下载位置。这个问题很实用，因为模型文件通常很大，默认下载到C盘容易导致空间不足。 用户提供的引用信息非常完整，特别是引用[2]和[4]直接相关。引用[4]明确提到可以使用环境变量PPSPEECH_HOME来修改存储路径，这是最关键的解决方案。用户可能已经尝试过默认安装，发现C盘空间被占用，所以需要转移存储位置。 考虑到用户可能是开发者，应该提供两种主流操作系统的设置方法：Windows和Linux。Windows用户可以通过系统属性设置环境变量，Linux用户则可以直接在终端导出。示例代码需要区分OS模块的使用方式，因为Windows和Linux的环境变量语法不同。 用户没有说明具体操作系统，所以要把两种方案都列出来。同时要注意提醒设置后重启终端使环境变量生效，这个细节很容易被忽略。 引用[3]提到修改配置文件的方法，但环境变量方案更通用，应该作为主要推荐。不过可以补充说明如果用户遇到模型路径找不到的情况，可能需要检查model.yaml文件中的spm_model_prefix路径，这是引用[2]提到的额外要点。 最后准备三个相关问题：模型手动下载方法、配置文件修改细节、混合语音识别模型的使用场景。这些问题都是用户后续可能遇到的延伸需求，特别是混合模型配置对开发者应该很有帮助。 </think> 根据引用内容，在PaddleSpeech中修改模型默认位置有以下两种方法： ### 方法一：设置环境变量（推荐） 通过设置环境变量 `PPSPEECH_HOME` 指定模型存储路径： ```python import os # Windows系统示例（路径需存在） os.environ["PPSPEECH_HOME"] = "D:/PaddleSpeech_Models" # Linux/MacOS系统示例 os.environ["PPSPEECH_HOME"] = "/home/username/paddlespeech_models" ``` **操作步骤**： 1. 创建目标目录（如 `D:\PaddleSpeech_Models`） 2. 在代码开头添加环境变量设置 3. 后续调用API时模型将自动下载到指定目录 > 此方法适用于所有PaddleSpeech模型（ASR/TTS等），且优先级最高[^4][^3] ### 方法二：修改模型配置文件（针对特定模型） 若需手动管理模型（如离线部署）： ```python from paddlespeech.cli.asr import ASRExecutor asr = ASRExecutor() # 指定解压后的模型路径 result = asr( model='conformer_talcs', lang='zh_en', codeswitch=True, input='./audio.wav', config='D:/models/conformer_talcs/model.yaml', # 替换路径 ckpt_path='D:/models/conformer_talcs/avg_10' # 去掉.pdparams后缀 ) ``` **关键点**： 1. 从[PaddleSpeech模型库](https://paddlespeech.bj.bcebos.com/zh/)手动下载模型 2. 解压至目标目录（如 `D:/models/`） 3. `config` 参数指向 `model.yaml` 文件 4. `ckpt_path` 指向模型文件前缀（不含 `.pdparams` 后缀）[^2] > ⚠️ 注意事项：若出现 `bpe_bpe_11297` 等文件缺失错误，需编辑 `model.yaml` 中的 `spm_model_prefix` 路径为实际位置[^2] --- ### 相关问题 1. **如何手动下载PaddleSpeech模型避免自动下载？** 需从[官方模型库](https://paddlespeech.bj.bcebos.com/zh/)选择对应模型压缩包，解压后通过`config`和`ckpt_path`参数指定路径[^2] 2. **修改`model.yaml`配置文件有哪些关键参数？** 除`spm_model_prefix`外，还需检查`mean_istd_path`（音频归一化文件）和`vocab_file`（词表）的路径准确性[^2] 3. **中英文混合语音识别模型需要哪些特殊配置？** 需设置 `lang='zh_en'` 和 `codeswitch=True`，且必须使用支持混合识别的模型（如`conformer_talcs`）[^1]
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

我叫永强

你的鼓励将是我创作的最大动力

¥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