MASR的V2版本训练Conformer模型文件，使用Fbank，Pytorch，训练数据为超大数据集，13000+小时。 源码地址：https://github.com/yeyupiaoling/MASR

MASR中文语音识别模型 aishell (179小时)

MASR中文语音识别模型（数据集：Librispeech），源码地址：https://github.com/yeyupiaoling/MASR

MASR中文语音识别模型（大数据集训练的），源码地址：https://github.com/yeyupiaoling/MASR

MASR 中文语音识别 MASR是一个基于端到端的深度神经网络的中文普通话语音识别项目，本项目是基于 进行开发的。本项目已暂停维护，推荐使用识别效果更好的企业级模型 。 模型原理 MASR使用的是门控卷积神经网络（Gated Convolutional Network），网络结构类似于Facebook在2016年提出的Wav2letter，只使用卷积神经网络（CNN）实现的语音识别。但是使用的激活函数不是ReLU或者是HardTanh，而是GLU（门控线性单元）。因此称作门控卷积网络。根据实验结显示，使用GLU的收敛速度比HardTanh要快。 以下用字错误率CER来衡量模型的表现，CER = 编辑距离 / 句子长度，越低越好，大致可以理解为 1 - CER 就是识别准确率。 安装环境 执行requirements.txt安装依赖环境，在安装过程中出现Pyaudio安装错误，可以先执行su

MASR中文语音识别 MASR是一个基于端到端的深度神经网络的中文普通话语音识别项目。 原理 MASR使用的是门控卷积神经网络（Gated Convolutional Network），网络结构在Facebook在2016年提出的Wav2letter。但是使用的激活函数不是ReLU HardTanh ，而不是GLU （门控线性单元）。因此根据我的实验，使用GLU的收敛速度比HardTanh要快。如果您想要研究卷积网络用于语音识别的效果，这个项目可以作为一个参考。 以下用字错误率CER来假定模型的表现，CER =编辑距离/句子长度，越低越好 大致可以理解为1-CER就是识别准确率。 模型使用AISHELL-1数据集训练，共150小时的录音，覆盖了4000多个汉字。工业界使用的语音识别系统通常使用至少10倍于本项目的录音数据来训练，同时使用特定场景的语料来训练语言模型，所以，不要期待本项目可以

中文语音识别，提供预训练模型，高识别率 Chinese Speech Recognition; Mandarin Automatic Speech Recognition;

基于Pytorch实现的MASR中文语音识别模型文件

基于Pytorch实现的MASR中文语音识别模型（1300小时数据集） 源码地址：https://github.com/yeyupiaoling/MASR

该模型用项目地址https://github.com/binzhouchn/masr