语音识别与语音合成模型调研

STT(Speech to Text): 语音识别

TTS(Speech to Text): 语音合成

• 1.评价标准

  • 字符错误率CER(character error rate)
  • 准确率Accuracy

• 2.模型介绍

  • 调用API接口的付费模型
  • 调用开源模型

• 3.模型实例化

  • 语音转文字STT
  • 文字转语音TTS

在评估语音转文字（STT）模型的性能时，去除标点符号是一种常见的做法，尤其是当模型的主要目标是识别语音中的单词或字符时。去除标点符号可以帮助消除标点在评估指标（如 CER）中的影响，从而使得评估结果更加集中于单词或字符的识别准确性。因此，评估中将给出去除标点符号前后的字符错误率与准确率。计算CER与Accuracy的代码为：cer_accuracy.py

在中文语音识别任务中，因为中文的最小单位是字符而非单词，所以相较准确率和词错误率，字符错误率能够更好地评估STT任务质量。

字符错误率是评估模型在字符级别的错误识别表现。它主要通过计算插入、删除和替换字符的数量，并将其与参考文本中字符的总数进行比较。CER 越低，表示模型的性能越好。CER 的计算公式为： CER = (插入 + 删除 + 替换) / 参考文本字符数

CER 的值范围从 0 到 1，0 表示完美的识别，1 表示识别结果与参考完全不同。

准确率是用于衡量分类任务性能的一个指标，它表示正确预测的样本数量占总样本数量的比例。准确率越高，表示模型的性能越好。准确率的计算公式为： Accuracy = (正确预测的样本数量) / (总样本数量)

准确率的值范围从 0 到 1，1 表示模型完美地预测了所有样本，而 0 表示模型没有正确预测任何样本。

使用方法：付费获得对应的STT,TTS API key,相当于把数据上传到服务器后返回结果。

• Google Cloud

  Google Cloud Speech-to-Text（STT）：Google提供了一个强大的、基于云的语音识别服务，可以识别多种语言和方言。它可以实时转录长时间的语音，并提供了一些高级功能，如自动标点和语音自适应。在P290_convert.wav上测验结果如下： Accuracy: 0.26, Accuracy without punctuation: 0.58, CER: 0.14, CER without punctuation: 0.08.

  Google Cloud Text-to-Speech（TTS）：Google的Text-to-Speech API基于谷歌的WaveNet技术，可以生成自然、真实的语音。它支持多种语言、语音和自定义发音。您还可以调整语速、音高和音量增益。

• Baidu

  百度提供了短文本，长文本以及离线语音识别和合成功能，并且有10个语音可供选择。

• 腾讯云语音识别和语音合成模型

  腾讯云提供了高识别准确率的语音识别服务和高拟真度、灵活配置的语音合成产品。

使用方法：

• 加载预训练模型和对应tokenizer
• 读取音频文件
• 分析音频文件获得文字记录

模型如下：

• Wav2Vec2（STT）：Wav2Vec2 是 Facebook AI 提供的一种语音识别模型，在Hugging Face Transformers库中提供了预训练的 Wav2Vec2 模型。支持多语言。GitHub 仓库：https://huggingface.co/docs/transformers/model_doc/wav2vec2

• Mozilla TTS（TTS）：Mozilla TTS 是一个开源的 TTS 引擎，提供了预训练的 Tacotron2 和 FastSpeech2 等模型。它支持多种语言，中文支持较好，并允许自定义语音。GitHub 仓库：https://github.com/mozilla/TTS

• Mozilla DeepSpeech（STT）：DeepSpeech 是一个由 Mozilla 开发的开源语音识别引擎，基于 Baidu 的 Deep Speech 研究。DeepSpeech 提供了预训练的模型，支持多种语言，中文支持较好。GitHub 仓库：https://github.com/mozilla/DeepSpeech

• chinese_speech_pretrain(STT): 针对中文语音转文字的预训练模型。1 万小时中文数据作为无监督预训练数据。数据主要来源于 YouTube 和 Podcast，覆盖了各种类型录制场景、背景噪声、说话方式等，其领域主要包括有声书、解说、纪录片、电视剧、访谈、新闻、朗读、演讲、综艺和其他等10大场景。Github 仓库：https://github.com/TencentGameMate/chinese_speech_pretrain

• HuBERT (STT): 一个用于语音识别的深度学习自监督模型。它是 Facebook AI 的一个项目，旨在创建一个通用的预训练语音表示模型。HuBERT 的目标是学习音频信号中的丰富表示，以便在下游任务中表现良好。代码仓库：https://huggingface.co/docs/transformers/model_doc/hubert

• Open AI Whisper(STT): Whisper 是 OpenAI 开发的一种自动语音识别（ASR）系统。Whisper ASR 是一个深度学习模型，旨在将声音转换为文字。它被训练用于多种应用，如语音识别、语音翻译、语音助手等。Whisper 模型的一个关键特点是它能够在各种语言和领域中表现良好，这得益于其在大量多语言数据上进行的预训练。GitHub上给出了Whisper在中文文本上的平均词错误率(WER)达到了14.7%。官网链接：https://openai.com/research/whisper

使用方法：

• 首先安装transformers,jiwer库用于计算词错误率WER和字错误率CER，librosa库用于音频导入
• 选择已微调好的模型，推荐wbbbbb/wav2vec2-large-chinese-zh-cn，去掉标点符号后其CER大概在7.0%左右
• 选择语音文件，该模型只允许以16kHz采样的wav格式文件
• 运行程序即可得到语音识别的音频文字
• 若要计算WER,CER, Accuracy等，需要提供ground_truth为正确音频文字

运行环境：Google colab, GPU: Tesla T4, CPU RAM: 25.5GB.

在上述运行环境下，转录22s约126字的P290_convert.wav文件需6.8s，转录40s约216字的P282_convert.wav文件需10.6s，转录32s约162字的P279_convert.wav文件需8.7s.

上述音频文件在voice目录下，语音对应文字的groundtruth文件在main目录下。

代码链接：STT.ipynb

产生的接口API界面如下：

不同模型的准确率及字符错误率为：

CER without punctuation：去除标点符号后的字符错误率，

Accuracy without punctuation：去除标点符号后的准确率

这里先给出一段groundtruth:

信息技术部门中机器学习的主要应用之一是向潜在用户或客户推荐项目。这可以分为两种主要的应用：在线广告和项目建议（通常这些建议的目的仍是为了销售产品）。两者都依赖于预测用户和项目的关联，一旦向该用户展示了广告或推荐了该产品，推荐系统要么预测一些行为的概率。

• tts_cn: 该模型从BERT中嵌入隐藏的韵律，获得语法中的自然停顿，并且根据NaturalSpeech推断损失减少声音错误，最后利用VITS框架，获得高音频质量生成的语音。速度可设置为0.1-5.0，默认为1.0，速度越大，生成语音时长越长，速度越小，生成语音时长越短。

目前已能本地化运行。对于上述给出的groundtruth文本（126字），在2 vCPU 16GB RAM上运行耗时约26s，产生27s音频为audioP290.wav；对相同文本分别更改速度为0.5, 产生的14s音频为audioP290_speed_0.5.wav；更改速度为2.0，产生的52s音频为audioP290_speed_2.0.wav。模型接口界面链接：https://huggingface.co/spaces/catundchat/tts_cn

产生的接口API界面如下：

• 调用百度API, 填写好信息之后运行即可，代码如下：TTS_baidu.ipynb，申请百度API链接：https://ai.baidu.com/

• (deprecated质量差弃用)bark模型：需要GPU加速，代码如下：TTS_bark.ipynb