ASR/TTS 開發避坑指南：語音辨識與合成的常見挑戰與對策；那些ASR和TTS可能會踩的坑

作者：TonTon Huang Ph.D.
日期：2024年2月25日
原文網址：https://blog.twman.org/2024/02/asr-tts.html

文章概述

本文分享了在開發自動語音辨識（ASR）與文字轉語音（TTS）應用時，常見的挑戰與解決策略，特別是針對中文語音處理的實務經驗與工具應用。

主要內容摘要

1. Whisper 模型的應用與挑戰

• Whisper：OpenAI 推出的多語言語音辨識模型，支援中文語音轉文字。
• 挑戰：
  • 中文標點符號處理效果不佳，需透過其他模型輔助。
  • 需要進行微調以提升特定場景的辨識準確度。

2. 開源工具與模型的應用

• faster-whisper：Whisper 的高效實現版本，提升推理速度。
• WhisperX：在 faster-whisper 基礎上，加入時間戳記功能。
• BELLE-2：提供微調過的 Whisper 模型，提升中文辨識效果。
• Whisper-Finetune：提供 Whisper 模型的微調方法與工具。
• WhisperStreaming：支援長時間語音的串流轉錄與翻譯。
• WhisperSpeech / WhisperLive / WhisperFusion：結合 ASR 與 LLM，實現語音問答與合成。

3. 語音資料的處理與準備

• 語音切割工具：
  • Audio-Slicer：精準剪裁音頻，製作訓練語料。
  • Ultimate Vocal Remover 5 (UVR5)：分離人聲與背景音。
  • Denoiser：Facebook Research 提供的語音去噪工具。
• 語音資料格式：需製作符合 Whisper 微調需求的語料格式。

4. 中文語音辨識的替代方案

• FunASR：阿里巴巴達摩院推出的中文語音辨識模型，訓練於 6 萬小時的中文語料，適合中文應用場景。

5. ASR 辨識後的錯誤修正

• FastCorrect / FastCorrect2：微軟提供的語音辨識錯誤自動修正工具。
• AdapterASR：微軟提供的 ASR 模型適配器，提升特定場景的辨識效果。
• pycorrector：中文文本糾錯工具，適用於 ASR 結果的後處理。

結語

在開發 ASR 與 TTS 應用時，需考量模型選擇、語音資料處理、微調策略與後處理方法，以提升系統的整體效能與準確度。透過結合多種工具與模型，能有效應對中文語音處理的挑戰，實現更自然流暢的語音應用。

📖 如需進一步了解，請參閱原文：
https://blog.twman.org/2024/02/asr-tts.html