ESPnet 釋出了基於 Conformer 架構的中文語音識別模型

團隊 ESPnet 推出了新的自動語音識別（ASR）模型，針對中文語音進行優化。該系統基於 Conformer 架構，並在大型 WeNetSpeech 數據集上進行訓練。

模型在不同測試數據集上表現出 WER （字錯誤率）從 13.4% 到 68.0% 的結果。系統的訓練耗時 1 小時，在專用計算集群上完成，並達到項目內部評估指標 12 分 的成績。

該解決方案針對中文語音的轉錄和音頻流處理任務。使用 Conformer 架構可以在音頻信號中平衡局部和全局依賴關係，這對於準確識別聲調語言至關重要。

模型可在 ESPnet2 生態系統中使用，該生態系統提供了創建語音識別和合成的端到端系統的工具。開發人員可以使用預訓練權重對其進行微調，以應對自己的特定領域，或部署成熟的轉錄服務。