这是什么?
Kaldi 是一个开源的语音识别工具包:C++ 代码加上一些示例流程,用来搭建语音转文字、说话人识别和说话人验证系统。
Kaldi 是一个开源的语音识别工具包:C++ 代码加上一些示例流程,用来搭建语音转文字、说话人识别和说话人验证系统。怎么把它跑起来?克隆代码仓库,在 UNIX 系统上按照 ./INSTALL 的说明操作;Windows 原生构建的方法单独写在 windows/INSTALL 里,示例系统的搭建步骤则在 egs/README.txt 中说明。
克隆代码仓库,在 UNIX 系统上按照 ./INSTALL 的说明操作;Windows 原生构建的方法单独写在 windows/INSTALL 里,示例系统的搭建步骤则在 egs/README.txt 中说明。构建之前我的电脑上需要装什么?需要标准的 UNIX 构建工具(make、编译器)以及一个 BLAS 库,比如 OpenBLAS 或 ATLAS。在 Fedora 41 上,要先安装该发行版的开发库和依赖。
需要标准的 UNIX 构建工具(make、编译器)以及一个 BLAS 库,比如 OpenBLAS 或 ATLAS。在 Fedora 41 上,要先安装该发行版的开发库和依赖。对新手友好吗,还是会遇到不少坑?要有心理准备会遇到一些磕绊:README 自己就提醒你很可能会碰到问题,并让用户去找开发者或 kaldi-help 邮件列表寻求支持。
要有心理准备会遇到一些磕绊:README 自己就提醒你很可能会碰到问题,并让用户去找开发者或 kaldi-help 邮件列表寻求支持。它是不是只能在 Linux 上正常用?不是——它支持各种 Linux 发行版、macOS(Darwin),还可以通过 Cygwin 在 Windows 上运行,另外也有针对 PowerPC 64 位小端系统(RHEL 7+、Ubuntu 16.04+)的说明。
不是——它支持各种 Linux 发行版、macOS(Darwin),还可以通过 Cygwin 在 Windows 上运行,另外也有针对 PowerPC 64 位小端系统(RHEL 7+、Ubuntu 16.04+)的说明。必须要有 NVIDIA 显卡才能用吗?不需要——纯 CPU 构建完全支持,用 OpenBLAS 或 ATLAS 就行;CUDA 只是提到的可选第三种方案,并不是必需的。
不需要——纯 CPU 构建完全支持,用 OpenBLAS 或 ATLAS 就行;CUDA 只是提到的可选第三种方案,并不是必需的。除了普通的语音转文字,我还能用它做什么?说话人识别和验证是一等公民用例,所以你可以搭建能分辨是谁在说话的系统,而不只是听清说了什么。
说话人识别和验证是一等公民用例,所以你可以搭建能分辨是谁在说话的系统,而不只是听清说了什么。Kaldi 能在 Android 上或浏览器里运行吗?可以:借助 Android NDK、clang++ 和 OpenBLAS 可以交叉编译到 Android;用 emscripten 和 OpenBLAS 可以编译成 WebAssembly,在浏览器里运行。
可以:借助 Android NDK、clang++ 和 OpenBLAS 可以交叉编译到 Android;用 emscripten 和 OpenBLAS 可以编译成 WebAssembly,在浏览器里运行。构建完成之后,我该从哪里入手?先构建 egs/ 里的一个示例系统(参见 egs/README.txt),然后通读文档,其中包括一份技术教程、一份 C++ 编写规范和一份 Doxygen 参考手册。
先构建 egs/ 里的一个示例系统(参见 egs/README.txt),然后通读文档,其中包括一份技术教程、一份 C++ 编写规范和一份 Doxygen 参考手册。用它必须会写 C++ 吗?基础使用不需要——示例系统只是一些调用编译好的工具的 shell 脚本。C++ 主要在你想给 Kaldi 本身扩展功能时才用得上。
基础使用不需要——示例系统只是一些调用编译好的工具的 shell 脚本。C++ 主要在你想给 Kaldi 本身扩展功能时才用得上。What are similar projects?faster-whisper, speechbrain, vosk-api, Speech, whisperX, VibeVoice, WhisperLiveKit, qxotic
faster-whisper, speechbrain, vosk-api, Speech, whisperX, VibeVoice, WhisperLiveKit, qxoticWhich topics is it in?speech, asr, toolkit, c-plus-plus, speech-to-text, speech-recognition, wasm, audio, shell, nvidia, cuda, deep-learning
speech, asr, toolkit, c-plus-plus, speech-to-text, speech-recognition, wasm, audio, shell, nvidia, cuda, deep-learning