README.md

---
title: SpeechBrain Demo
emoji: 🧠
colorFrom: blue
colorTo: indigo
sdk: gradio
sdk_version: "4.44.0"
python_version: "3.10"
app_file: app.py
pinned: false
---

# 🧠 SpeechBrain - 全能语音处理工具包

> **SpeechBrain** 是一个基于 PyTorch 的开源语音处理工具包，支持 **语音识别 (ASR)**、**语音合成 (TTS)**、**说话人识别**、**语音增强**、**语音分离**、**语音活动检测 (VAD)** 等多种任务。

[![Python](https://img.shields.io/badge/Python-3.8%2B-blue.svg)](https://www.python.org/)
[![PyTorch](https://img.shields.io/badge/PyTorch-2.1%2B-red.svg)](https://pytorch.org/)
[![License](https://img.shields.io/badge/License-Apache%202.0-green.svg)](LICENSE)
[![Version](https://img.shields.io/badge/Version-1.1.0-orange.svg)]()

---

## ✨ 主要功能

| 功能 | 描述 | 预训练模型 |
|------|------|------------|
| 🎙️ **语音识别 (ASR)** | 将语音转为文字，支持多种语言 | ✅ |
| 🔊 **语音合成 (TTS)** | 将文字转为自然语音 | ✅ |
| 👤 **说话人识别** | 识别说话人身份 | ✅ |
| 🎵 **语音增强** | 降噪、去混响 | ✅ |
| 🎧 **语音分离** | 分离混合音频中的多个声源 | ✅ |
| 📊 **语音活动检测** | 检测语音段/非语音段 | ✅ |
| 📝 **说话人日志** | 谁在什么时候说话 | ✅ |
| 🌐 **翻译 (ST)** | 语音到文本翻译 | ✅ |

---

## 🚀 快速开始

### 安装

```bash
# 克隆仓库
git clone https://github.com/zq-1115/demo.git
cd demo

# 安装依赖
pip install -r requirements.txt
```

### 30秒体验

```python
from speechbrain.inference import EncoderDecoderASR

# 下载预训练模型并转录音频
asr_model = EncoderDecoderASR.from_hparams(
    source="speechbrain/asr-crdnn-rnnlm-librispeech",
    savedir="pretrained_models/asr-crdnn-rnnlm-librispeech",
)

# 转录音频文件
text = asr_model.transcribe_file("demo_audio.wav")
print(f"识别结果: {text}")
```

---

## 📂 项目结构

```
speechbrain-develop/
├── speechbrain/          # 核心库代码
│   ├── inference/        # 推理接口 (ASR/TTS/VAD等)
│   ├── dataio/           # 数据加载与处理
│   ├── decoders/         # 解码器 (CTC/Seq2Seq等)
│   ├── augment/          # 数据增强
│   ├── alignment/        # 对齐工具
│   ├── integrations/     # 集成模块 (HuggingFace/K2等)
│   └── utils/            # 工具函数
├── tests/                # 测试与示例音频
├── demo.py               # 🎯 交互式演示脚本
├── requirements.txt      # 依赖列表
└── setup.py              # 安装配置
```

---

## 🎮 运行演示

```bash
python demo.py
```

演示程序提供交互式菜单，可以选择：
1. **语音识别 (ASR)** — 上传音频，输出文字
2. **说话人识别** — 识别说话人
3. **语音活动检测 (VAD)** — 检测语音片段

---

## 🔧 使用示例

### 1. 语音识别 (ASR)

```python
from speechbrain.inference import EncoderDecoderASR

asr = EncoderDecoderASR.from_hparams(
    source="speechbrain/asr-crdnn-rnnlm-librispeech",
    savedir="pretrained_models/asr",
)
result = asr.transcribe_file("audio.wav")
print(result)  # "MY FATHER HAS REVEALED THE CULPRIT'S NAME"
```

### 2. 说话人识别

```python
from speechbrain.inference import SpeakerRecognition

spk_rec = SpeakerRecognition.from_hparams(
    source="speechbrain/spkrec-ecapa-voxceleb",
    savedir="pretrained_models/spkrec",
)
score, prediction = spk_rec.verify_files("spk1.wav", "spk2.wav")
print(f"是同一个人吗? {'是' if prediction else '否'}")
```

### 3. 语音活动检测 (VAD)

```python
from speechbrain.inference import VAD

vad = VAD.from_hparams(
    source="speechbrain/vad-crdnn-libriparty",
    savedir="pretrained_models/vad",
)
boundaries = vad.get_speech_segments("audio.wav")
for start, end in boundaries:
    print(f"语音段: {start:.2f}s - {end:.2f}s")
```

### 4. 语音合成 (TTS)

```python
from speechbrain.inference import Tacotron2
from speechbrain.inference import HIFIGAN

tacotron2 = Tacotron2.from_hparams(
    source="speechbrain/tts-tacotron2-ljspeech",
    savedir="pretrained_models/tts-tacotron2",
)
hifi_gan = HIFIGAN.from_hparams(
    source="speechbrain/tts-hifigan-ljspeech",
    savedir="pretrained_models/tts-hifigan",
)

# 文字转语音
mel_output, mel_length, alignment = tacotron2.encode_text("Hello world")
waveforms = hifi_gan.decode_batch(mel_output)
torchaudio.save("output.wav", waveforms.squeeze(1), 22050)
```

---

## 📦 依赖

- **Python** >= 3.8
- **PyTorch** >= 2.1.0
- **torchaudio** >= 2.1.0
- **transformers** >= 4.30.0
- 完整列表见 [requirements.txt](requirements.txt)

---

## 🤝 贡献

欢迎提交 Issue 和 Pull Request！

---

## 📄 许可证

本项目基于 Apache 2.0 许可证开源。详见 [LICENSE](LICENSE)。

---

## ⭐ Star History

如果这个项目对你有帮助，请给一个 ⭐ Star 支持一下！