对于预算有限的公司来说，开源语音识别引擎是在产品中测试ASR技术的好方法。其中许多工具提供了非常精确的解决方案，并使您有机会了解ASR特性如何帮助增加您接触到的客户数量。

在本文中，我们将提供五种最好的免费语音识别服务，并详细介绍如何开始。

Mozilla DeepSpeech

DeepSpeech是由Mozilla创建的Github项目，Mozilla是著名的开源组织，它为你带来了Firefox网络浏览器。他们的模型是基于百度深度语音研究论文，并使用Tensorflow实现。一个好的方面是，他们提供了一个预先训练的英语模型，这意味着你可以使用它而不需要自己的数据来源。但是，如果您有自己的数据，您也可以训练自己的模型。或者，你甚至可以采用他们预先训练的模型，并使用迁移学习来根据你自己的数据对其进行微调。

使用代码本地解决方案而不是API的好处在于，您可以根据自己的规范对其进行调整，从而提供最终的自定义性。DeepSpeech还提供了许多不同编程语言的模型包装器，包括Python、Java、Javascript、C和. net框架。它也可以编译到树莓派设备上，如果你正在寻找目标平台的应用程序，这是伟大的。

不过DeepSpeech也有它的问题。由于一些裁员和组织优先级的变化，Mozilla是结束DeepSpeech的开发这可能意味着，当软件出现漏洞和需要解决的问题时，支持会大大减少。此外，DeepSpeech仅作为Git回购提供，这意味着它非常简单。为了将其集成到更大的应用程序中，公司的开发人员需要围绕其推理方法构建一个API，并生成用于处理与模型接口的各个方面的其他实用程序代码。

Wav2Letter + +

的Wav2Letter + +语音引擎是最近在2018年12月由Facebook人工智能研究团队创建的。他们做广告作为第一个完全用c++编写的语音识别引擎有史以来最快的．这也是世界上第一个实现自动化的ASR系统只使用卷积层不是周期性的。循环层对几乎所有现代语音识别引擎都是通用的，因为它们对于语言建模和其他包含长期依赖的任务特别有用。仅使用卷积层可能是其引擎惊人速度的一个原因，因为用于训练rnn的反向传播时间方法计算非常密集。

作者还发布了一个更通用的机器学习库，称为手电筒Wav2Letter++是其中的一部分。它也是完全用c++编写的，能够在CPU和GPU上进行快速、高度优化的计算。在Wav2Letter++中，代码允许你要么训练自己的模型，要么使用他们预先训练的模型。它们还提供了匹配各种研究论文结果的方法，因此您可以混合和匹配组件，以符合您想要的结果和应用程序。

Wav2Letter++和DeepSpeech的缺点是一样的。当你得到一个非常快速和强大的模型时，这种能力伴随着很多复杂性。您将需要有深入的编码和基础架构知识，以便能够在您的系统上进行设置和工作。

卡尔迪

卡尔迪是一个用c++编写的对文本引擎的开源演讲，它比本文中的其他一些引擎稍老一些，也更成熟一些。这种成熟度既有优点也有缺点。一方面，Kaldi并不是真正专注于深度学习，所以你不会在这里看到很多这样的模型。他们确实有一些但深度学习并不是该项目的主要收入来源。相反，它更关注经典的语音识别模型，如HMMs, FSTs和高斯混合模型。

因此，您不太可能获得与使用深度学习方法相同的准确性。然而，Kaldi方法是非常轻量级、快速和便携的。这些代码已经存在很长时间了，所以您可以放心，它经过了非常彻底的测试，而且是可靠的。他们也有很好的支持，包括有用的论坛，邮件列表和Github问题跟踪，这些都是项目开发人员经常使用的。Kaldi也可以在一些替代设备上运行，比如Android。

打开Seq2Seq

打开Seq2Seq是英伟达创建的一个开源项目。它更普遍一点，因为它关注的是任何seq2seq模型的类型，包括用于机器翻译、语言建模和图像分类等任务的类型。然而，它也有一个健壮的模型子集专门用于语音识别。这个项目比Mozilla的DeepSpeech更与时俱进，因为它支持三种不同的语音识别模型:Jasper DR 10×5，百度的DeepSpeech h2和Facebook的Wave2Letter+。

其中最好的模型Jasper DR 10×5的贪婪单词错误率仅为3.61%。Open Seq2Seq包还提供了一些不错的功能，比如支持多gpu、分布式训练以及混合精度训练。注意，这些模型需要相当多的计算能力来训练。他们估计，使用12gb内存的GPU训练DeepSpeech2需要大约一天的时间。

Open Seq2Seq的一个缺点是，该项目已经被标记为Github存档，这意味着开发很可能已经停止了。因此，代码中出现的任何错误都将由用户单独解决，因为bug修复没有被合并到主代码库中。

Tensorflow ASR

Tensorflow ASR是Github上的一个语音识别项目，使用Tensorflow实现各种语音识别模型。虽然它不像其他项目那样为人所知，但它的最新版本似乎在几个月前的2021年5月才发布。

作者将其描述为“几乎是最先进的”语音识别，并实现了许多最近的模型，包括DeepSpeech 2、Conformer变频器、Context Net和Jasper。这些模型可以使用TFLite进行部署，它们很可能会很好地集成到任何使用Tensorflow的现有机器学习系统中。它还包含预先训练过的外语模型包括越南语和德语。

是什么让Rev AI与众不同

虽然开源语音识别系统可以让您免费访问优秀的模型，但不可否认的是，它们也让事情变得复杂。这只是因为语音识别是复杂的。即使在使用开源预训练模型时，也需要做大量的工作才能在服务器上对数据进行优化，并编写与之交互的api。然后，您必须考虑如何让系统平稳运行，以及在不可避免地出现错误和崩溃时如何处理它们。

使用像Rev这样的付费供应商的好处是，他们可以帮你解决所有棘手的问题。你会得到一个有99.9+%正常运行时间的系统，它有一个可调用的API，你可以轻松地将你的产品挂在其中。在不太可能出现问题的情况下，您还可以直接访问Rev的开发团队和出色的客户支持。

雷夫的另一个优点是最准确的语音识别引擎在这个世界上。他们的系统已经与所有其他主要行业参与者(如Amazon、谷歌、Microsoft等)提供的系统进行了基准测试。Rev每次都以最低的平均单词错误率在多个真实数据集中脱颖而出。

最后，当您使用第三方解决方案(如Rev)时，您可以立即启动并运行。您不必等待雇用开发团队、培训模型或将所有内容托管在服务器上。使用一些简单的API调用，你就可以将你的前端直接连接到Rev的ASR系统，并准备好当天就开始工作。这最终会为你节省资金，而且很可能会超过收回Rev收取的低成本。