问题标签 [mozilla-deepspeech]

我在从头开始训练模型后尝试解码 wav 文件，我完成了训练和测试阶段没有错误，我得到了 WER & CER 和损失值。注意：我已经用这个命令完成了解码，没有错误，但是当我用新模型测试时它出现了。

我尝试了没有记分器、管道和梁的命令以及来自火车数据集的文件，但错误仍然存​​在。

您可以在下面找到我拥有的软件包版本（运行 pip list 显示的不仅仅是这些软件包，但我只保留了重要的软件包）

我是初学者，我下载了模型并尝试研究它。但是每当我将句子转换为语音时，模型会在 35 秒或大约 440 个字符处停止，并给出 max_decoder_steps 警告。我想将一个故事转换为大约 1000 个字符的语音。有没有办法绕过这个限制？

是否可以给 Mozilla-DeepSpeech 软件提供一个文本句子和一个声音样本并获得两者的匹配百分比？

它制作一个测验软件。程序知道响应并要求用户在麦克风中发音。

此命令正在运行并显示输出

但是我找不到将输出保存为文本文件的命令

我有哪些选择？我想生成语音文本以上传 youtube 视频进行字幕（是的 youtube 算法无法自动生成）

这里是上面的命令输出，但我无法将输出保存到我​​需要的文件中

我正在使用深度语音将语音转换为文本。高达 0.8.1，当我运行如下转录时：

我会得到非常好的结果。但自从 0.8.2 版本删除了 scorer 参数以来，我的结果充满了拼写错误，这让我觉得我现在得到了一个字符级模型，而我以前是一个单词级模型。错误的方向看起来好像模型没有以某种方式正确指定。

现在我打电话时：

我现在看到像这样的错误

• 无止境->“结束”
• 服务->“服务”
• 遗产->“遗产”
• 收入->“erting”
• 之前->“befir”

我不是 100% 认为它与从 API 中删除记分器有关，但这是我看到版本之间发生变化的一件事，文档特别建议提高准确性。

当我遇到此错误时，我刚开始使用 Mozilla 的 Deep Speech，并尝试安装 mic_vad_streaming 示例的依赖项。我按照以下视频中的步骤进行操作，我用作参考 - https://www.youtube.com/watch?v=c_0Q3T0XYTA&t=211s。

我没有找到一种简单的方法来打印模型中有多少参数，并且在发行说明中打印它的建议没有受到热烈欢迎：

https://github.com/mozilla/DeepSpeech/issues/344
https://github.com/mozilla/DeepSpeech/issues/3392

DeepSpeech 0.8.2 和 0.9.0 模型中有多少参数？

PS：discourse.mozilla上的线程

我正在通过执行以下命令在 Ubuntu 16.04 LTS x64 和 4 Nvidia GeForce GTX 1080 上的 Common Voice 数据集上训练 Mozilla DeepSpeech：

它使用了 4 个 GPU 中的 80% 以上。

但是，如果我添加--display_step 2参数，它会显着减慢训练时间，并且它使用不到 4 个 GPU 的 20%。

这让我感到惊讶，因为它--display_step被描述为：

tf.app.flags.DEFINE_integer ('validation_step', 0, '我们在验证模型之前循环的时期数 - 详细的进度报告取决于“--display_step” - 0 表示没有验证步骤')

所以根据我的理解，模型应该每 2 个 epoch 评估一次，因此不应该减慢训练时间（即，它应该每 2 个 epoch 增加一些评估时间）。

为什么添加--display_step 2参数会显着减慢 Mozilla DeepSpeech 训练时间？

我正在尝试在我的 .net core 3.1 Web 应用程序上实现语音到文本，而不使用 Azure、AWS 或 Google 等任何云服务。

我找到了 deepspeech、kaldi、pocketpheonix 等选项。看起来它们可以在 .net 核心应用程序上实现，但作为 .net 核心和后端开发的初学者，我不知道如何使用它们，而且它们的文档对初学者不太友好。

因此，如果您可以简要概述如何在 .net core 上实现这些 api 或链接到一些文章，那将非常有帮助。

运行我的程序后，我得到了一个输出，但我也得到了这个错误消息。

这是代码 - 在这里我正在尝试使用 deepspeech 库将 wv 音频文件转换为文本。