Luke Ewin的博客

这篇文章主要讲解如何在生产环境的CentOS7.9中部署一套实时语音识别接口供其它项目调用，可以解决在内网中部署实时语音识别接口问题。

无论是开源的ASR还是收费的ASR都面临着一个问题，就是识别专有名词不准的问题，比如我这里可以基于阿里巴巴开源的FunASR项目中的SenseVoiceSmall模型做微调训练，使得可以准确识别特定领域内的名词，从而提升整体的准确率。

该工具可以把音视频转写为文字内容和包含时间戳的srt字幕文件，可以用于生成视频字幕文件，适用于自媒体制作视频字幕。

这是一个国内大厂开源的ASR模型，这篇文章主要讲述如何微调SenseVoice和Paraformer模型使得可以准确识别专业名词。

这是阿里开源的ASR模型，支持实时语音识别，可以用于外呼系统，智能呼叫中心系统，对通话录音进行实时转写。可用于在线会议字幕实时生成，直播实时字幕生成。

针对某些新的词汇，开源的ASR模型都无法识别，那么这个时候，我们就需要使用专业词汇进行微调了，这篇文章将会告诉你如果微调ASR模型，提升模型对专业名词识别的准确率。

基于funasr实现的可以分离一条录音中不同的说话人的声音，并且支持进行合成相同说话人的声音为一条音频，同时支持视频切片处理。

报错TypeError: device.init() missing 1 required positional argument: 'device’解决方法

这篇文章主要记录自己如何解决pynini和WeTextProcessing依赖报错问题

本篇文章主要讲述使用3d-speaker进行说话人区分，以及如何优化目前没法区分说话人的情况，通过vad算法对音频进行片段化计算每个片段的声纹特征值向量，然后通过无监督聚类算法实现声纹特征值相似的音频片段聚类。

这个程序适合个人 PC 端使用，如果需要服务端接口，支持多路并发，支持大规模集群部署，欢迎联系我。安装 torch，需要根据你电脑情况安装不同的版本，具体可以到 torch 中复制命令安装。安装 ffmpeg，可以到 ffmpeg 官方地址中下载可执行程序，配置环境变量。个人技术博客2：https://blog.lukeewin.top。个人技术博客1：https://lukeewin.top。如果使用 GPU 来运行，需要安装好 CUDA。本地可运行的说话人拆分 | 说话人分离。

最近有一位研二的学生添加我的微信，付费让我给她训练模型。市面上的语音识别模型基本上都是通用识别模型，对于特定领域的识别字错率太高了。比如专门针对航空领域的语音识别就不尽如意，因为在航空领域中有一些航空的专有名词，训练模型的时候未必训练到，并且航空领域中的读数字的读音也和我们日常中的不一样，所以我们想要让模型识别的字错率更低，那么就很有必要对市面上开源的模型进行训练。这里由那位研究生提供了条音频数据，音频采样率是。数据分为训练集和验证集，这里使用的数据作为验证集，也就是使用条数据作为验证集。数据的格式要求如下

openai目前提供的模型有共11种，其中en结尾的是英语模型，由于whisper模型的微调开源的，在中可以找到各种微调后的模型，比如针对识别泰语优化的模型，我们可以使用格式的模型来使用whisper进行语音识别，那如果我想要在原先已经写好的基于openai格式的whisper模型进行语音识别，那么我们就需要想办法把格式的whisper模型转为openai格式，这也是本篇文章要讲的内容。