许可证：其他
语言：

• 英语
  标签：
• 自动语音识别
• 混响

目录

• 快速开始
• 关于
• 代码
• 特性
• 基准测试
• 致谢
• 引用此模型

快速开始

模型详情、性能表现等更多信息请查阅Arxiv论文。

克隆模型

Reverb ASR模型v1存储在此模型仓库中。

安装推理依赖

访问我们的推理代码：GitHub链接

关于

Rev的Reverb ASR模型基于20万小时由人工专业转录的英语语音数据训练而成——这是迄今为止用于训练开源模型的最大规模人工转录音频语料库。高质量数据造就了全球最精准的英语自动语音识别（ASR）系统，其高效模型架构可同时运行于CPU或GPU。此外，Reverb ASR允许用户自定义输出文本的逐字忠实度，既能生成清晰易读的转录文本，也适用于需要完全逐字记录（包括犹豫措辞和重复修正）的音频编辑场景。用户可通过参数设置全逐字、非逐字或介于两者之间的转录风格。

代码

wenet文件夹基于WeNet代码库的分支修改，包含为Rev定制架构的调整。

wer_evaluation文件夹提供多种基准测试工具的说明与代码，这些脚本不依赖Reverb特定架构。

特性

转录风格选项

Reverb ASR支持两种训练模式：逐字转录（完整记录所有口语内容）或非逐字转录（可过滤不流畅表达）。

通过verbatimicity参数控制输出风格：1为完全逐字，0为非逐字，0到1之间的值可产生半逐字效果。体验参数效果请访问演示页面。

解码选项

采用联合CTC/注意力架构和Rev v2技术，支持多种解码模式。调用recognize_wav.py时可指定单/多模式，系统将为每种模式创建独立输出目录。

可选解码模式：

• attention
• ctc_greedy_search
• ctc_prefix_beam_search
• attention_rescoring
• joint_decoding

使用示例

python wenet/bin/recognize_wav.py --config model.yaml \
    --checkpoint model.pt \
    --audio hello_world.wav \
    --modes ctc_prefix_beam_search attention_rescoring \
    --gpu 0 \
    --verbatimicity 1.0

或体验HuggingFace演示空间。

基准测试

详见GitHub wer_evaluation目录的结果与分析。

引用此模型

若使用本模型，请引用：

@misc{bhandari2024reverbopensourceasrdiarization,
      title={Reverb: Open-Source ASR and Diarization from Rev}, 
      author={Nishchal Bhandari and Danny Chen and Miguel Ángel del Río Fernández and Natalie Delworth and Jennifer Drexler Fox and Migüel Jetté and Quinten McNamara and Corey Miller and Ondřej Novotný and Ján Profant and Nan Qin and Martin Ratajczak and Jean-Philippe Robichaud},
      year={2024},
      eprint={2410.03930},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2410.03930}, 
}

致谢

特别感谢Wenet团队的开源贡献。

许可证

详见LICENSE文件。