跳到正文

WeST

用约 300 行代码实现语音转文本

访问官网

WeST 是什么

WeST 被介绍为一个开源的语音识别系统,用约 300 行代码借助大型语言模型把语音转成文本。它由一个大型语言模型、一个语音编码器和一个投影器组成,仅投影器参与训练。

你可以用它做什么

  • 把大型语言模型替换为 LLaMA 或 QWen 等
  • 用 whisper 等语音编码器编码语音信号
  • 以 jsonl 格式配置训练和测试数据

应用场景

  • 开发者快速搭建语音助手原型
  • 研究人员做语音识别实验并撰写论文
  • 教学场景展示语音识别的工作原理

优点与缺点

✓ 我们认可的地方

  • 训练参数可配置学习率、权重衰减等
  • 支持 Deepspeed 配置以优化训练过程

! 需要留意的地方

  • 只有投影器部分可训练
  • 训练与测试数据需符合 jsonl 格式要求

常见问题

哪部分可训练?

资料说明仅投影器部分可训练。

项目灵感来自哪里?

资料列出 SLAM-ASR 和 LLaMA 3.1。

最后评测: 2026-11-15

更多 AI 音频工具 工具

查看全部 →

评测方法