codait/max-speech-to-text-converter

IBM开发者模型资产交换：语音转文字转换器

本仓库包含实例化和部署语音识别模型的代码，该模型接收短（约5秒）单声道WAV格式的英文语音输入，返回预测的文本结果。模型默认期望16kHz音频，若输入非16kHz会自动重采样（可能降低准确性）。

模型代码源自Mozilla的https://github.com/mozilla/DeepSpeech%EF%BC%8C%E5%9F%BA%E4%BA%8E%E7%99%BE%E5%BA%A6Deep Speech研究论文；模型文件托管于IBM Cloud Object Storage，可作为Docker容器中的Web服务部署。

模型元数据

参考资料

• Awni Hannun等："Deep Speech: Scaling up end-to-end speech recognition"
• https://github.com/mozilla/DeepSpeech

许可证

前置条件

• Docker CLI：需按照官方指南安装
• 资源要求：至少2GB内存、2个CPU
• 架构要求：x86-64/AMD64 CPU需支持AVX指令集

部署选项

从Quay部署

直接运行预构建镜像：

bash
docker run -it -p 5000:5000 quay.io/codait/max-speech-to-text-converter

在Kubernetes部署

bash
kubectl apply -f https://raw.githubusercontent.com/IBM/max-speech-to-text-converter/master/max-speech-to-text-converter.yaml

本地运行

1. 克隆仓库：

   bash
   git clone https://github.com/IBM/max-speech-to-text-converter.git && cd max-speech-to-text-converter
   

2. 构建镜像：

   bash
   docker build -t max-speech-to-text-converter .
   

3. 启动服务：

   bash
   docker run -it -p 5000:5000 max-speech-to-text-converter
   

使用模型

• 访问http://localhost:5000查看Swagger文档，或通过命令行测试：

  bash
  curl -F "audio=@samples/8455-210777-0068.wav" -X POST http://localhost:5000/model/predict
  

  响应示例：

  json
  {"status": "ok", "prediction": "your power is sufficient i said"}
  

开发与清理

• 调试模式：修改config.py中DEBUG = True后重建镜像
• 停止容器：按CTRL + C

资源与贡献

如需贡献或咨询，请参考https://github.com/CODAIT/max-central-repo%E3%80%82