Question

我正在学习Mozilla的DeepSpeech语音转文本引擎。我可以很轻松地使命令行界面正常工作，但是Python界面的行为似乎有所不同。当我跑步时：

deepspeech --model models/output_graph.pb --alphabet models/alphabet.txt --audio testFile3.wav

在用sox生成的PCM，16位，单声道48000 Hz .wav文件上，我得到以下信息：

test test apple benana

当我意为“香蕉”时，减去“香蕉”似乎可以正常工作，以及我测试过的其他文件。当我尝试使用来自this tutorial的以下代码时，就会出现问题：

import deepspeech
import scipy.io.wavfile as wav
import sys

ds=deepspeech.Model(sys.argv[1],26,9,sys.argv[2],500)
fs,audio=wav.read(sys.argv[3])
processed_data=ds.stt(audio,fs)

print(processed_data)

我使用以下命令运行代码：

python3 -Bi test.py models/output_graph.pb models/alphabet.txt testFile3.wav

根据特定的文件，我得到不同的四个字符的响应。我从这个特定文件获得的响应是'hahm'，但是'hmhm'和' eo'也很常见。将参数更改为模型（25、9和500）似乎并没有改变输出。

Answer 1

您应该将其转换为16000 Hz，与怪异输出有关的大多数问题都属于错误的音频格式。加载语言模型也可以提高WER。

Answer 2

只需包含您的trie和lm.binary文件，然后重试。

from deepspeech import Model
import scipy.io.wavfile

BEAM_WIDTH = 500
LM_WEIGHT = 1.50
VALID_WORD_COUNT_WEIGHT = 2.25
N_FEATURES = 26
N_CONTEXT = 9
MODEL_FILE = 'output_graph.pbmm'
ALPHABET_FILE = 'alphabet.txt'
LANGUAGE_MODEL =  'lm.binary'
TRIE_FILE =  'trie'

ds = Model(MODEL_FILE, N_FEATURES, N_CONTEXT, ALPHABET_FILE, BEAM_WIDTH)

ds.enableDecoderWithLM(ALPHABET_FILE, LANGUAGE_MODEL, TRIE_FILE, LM_WEIGHT, 
VALID_WORD_COUNT_WEIGHT)

def process(path):
    fs, audio = scipy.io.wavfile.read(path)
    processed_data = ds.stt(audio, fs)
    return processed_data   

process('sample.wav')

这可能会产生相同的响应。.使用相同的音频文件进行推理和验证。.音频文件应进行16 bit 16000 hz and mono录制。

为什么此DeepSpeech python程序的结果与我从命令行界面获得的结果不同？

2 个答案: