[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-sooftware--conformer":3,"tool-sooftware--conformer":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":80,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":23,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":103,"github_topics":104,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":116,"updated_at":117,"faqs":118,"releases":154},2939,"sooftware\u002Fconformer","conformer","[Unofficial] PyTorch implementation of \"Conformer: Convolution-augmented Transformer for Speech Recognition\" (INTERSPEECH 2020)","Conformer 是一个基于 PyTorch 开发的开源项目，实现了论文《Conformer: Convolution-augmented Transformer for Speech Recognition》中提出的语音识别模型。它旨在解决传统深度学习模型在處理音频序列时的局限性：Transformer 架构虽擅长捕捉全局上下文依赖，却容易忽略局部细节；而卷积神经网络（CNN）精于提取局部特征，却难以建模长距离关系。\n\nConformer 的创新之处在于巧妙地将卷积结构与 Transformer 机制相结合，使其能够同时高效地捕捉音频数据中的局部特征与全局交互。这种混合架构不仅提升了参数利用效率，更在多项基准测试中取得了超越纯 Transformer 或纯 CNN 模型的顶尖准确率，成为当前语音识别领域的重要基线模型。\n\n该工具主要面向人工智能研究人员、算法工程师及语音技术开发者。如果你正在从事自动语音识别（ASR）系统的研发、学术探索，或希望复现前沿论文成果，Conformer 提供了规范且易于集成的代码实现。需要注意的是，此仓库主要包含核心模型代码，若需完整的训练流程与数据处理","Conformer 是一个基于 PyTorch 开发的开源项目，实现了论文《Conformer: Convolution-augmented Transformer for Speech Recognition》中提出的语音识别模型。它旨在解决传统深度学习模型在處理音频序列时的局限性：Transformer 架构虽擅长捕捉全局上下文依赖，却容易忽略局部细节；而卷积神经网络（CNN）精于提取局部特征，却难以建模长距离关系。\n\nConformer 的创新之处在于巧妙地将卷积结构与 Transformer 机制相结合，使其能够同时高效地捕捉音频数据中的局部特征与全局交互。这种混合架构不仅提升了参数利用效率，更在多项基准测试中取得了超越纯 Transformer 或纯 CNN 模型的顶尖准确率，成为当前语音识别领域的重要基线模型。\n\n该工具主要面向人工智能研究人员、算法工程师及语音技术开发者。如果你正在从事自动语音识别（ASR）系统的研发、学术探索，或希望复现前沿论文成果，Conformer 提供了规范且易于集成的代码实现。需要注意的是，此仓库主要包含核心模型代码，若需完整的训练流程与数据处理管道，建议配合 OpenSpeech 框架使用。凭借清晰的代码结构和遵循 PEP-8 规范的编写风格，Conformer 非常适合用于技术验证、模型改进研究以及构建高性能的语音识别应用。","\u003Cp  align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsooftware_conformer_readme_ee4cedb28c8f.png\" height=100>\n  \n\n\u003Cdiv align=\"center\">\n\n**PyTorch implementation of Conformer: Convolution-augmented Transformer for Speech Recognition.**\n\n  \n\u003C\u002Fdiv>\n\n***\n\n\u003Cp align=\"center\"> \n     \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fjasper\u002Fblob\u002Fmain\u002FLICENSE\">\n          \u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache--2.0-informational\"> \n     \u003C\u002Fa>\n     \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fpytorch\">\n          \u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fframework-PyTorch-informational\"> \n     \u003C\u002Fa>\n     \u003Ca href=\"https:\u002F\u002Fwww.python.org\u002Fdev\u002Fpeps\u002Fpep-0008\u002F\">\n          \u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcodestyle-PEP--8-informational\"> \n     \u003C\u002Fa>\n     \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.18154427\">\n          \u003Cimg src=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.18154427.svg\" alt=\"DOI\">\n     \u003C\u002Fa>\n\u003C\u002Fp>\n\n  \nTransformer models are good at capturing content-based global interactions, while CNNs exploit local features effectively. Conformer combine convolution neural networks and transformers to model both local and global dependencies of an audio sequence in a parameter-efficient way. Conformer significantly outperforms the previous Transformer and CNN based models achieving state-of-the-art accuracies.   \n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsooftware_conformer_readme_d6db25e34f4b.png\" height=600>\n  \nThis repository contains only model code, but you can train with conformer at [openspeech](https:\u002F\u002Fgithub.com\u002Fopenspeech-team\u002Fopenspeech)\n  \n## Installation\nThis project recommends Python 3.7 or higher.\nWe recommend creating a new virtual environment for this project (using virtual env or conda).\n  \n### Prerequisites\n* Numpy: `pip install numpy` (Refer [here](https:\u002F\u002Fgithub.com\u002Fnumpy\u002Fnumpy) for problem installing Numpy).\n* Pytorch: Refer to [PyTorch website](http:\u002F\u002Fpytorch.org\u002F) to install the version w.r.t. your environment.  \n  \n### Install from source\nCurrently we only support installation from source code using setuptools. Checkout the source code and run the\nfollowing commands:  \n  \n```\npip install -e .\n```\n\n## Usage\n\n```python\nimport torch\nimport torch.nn as nn\nfrom conformer import Conformer\n\nbatch_size, sequence_length, dim = 3, 12345, 80\n\ncuda = torch.cuda.is_available()  \ndevice = torch.device('cuda' if cuda else 'cpu')\n\ncriterion = nn.CTCLoss().to(device)\n\ninputs = torch.rand(batch_size, sequence_length, dim).to(device)\ninput_lengths = torch.LongTensor([12345, 12300, 12000])\ntargets = torch.LongTensor([[1, 3, 3, 3, 3, 3, 4, 5, 6, 2],\n                            [1, 3, 3, 3, 3, 3, 4, 5, 2, 0],\n                            [1, 3, 3, 3, 3, 3, 4, 2, 0, 0]]).to(device)\ntarget_lengths = torch.LongTensor([9, 8, 7])\n\nmodel = Conformer(num_classes=10, \n                  input_dim=dim, \n                  encoder_dim=32, \n                  num_encoder_layers=3).to(device)\n\n# Forward propagate\noutputs, output_lengths = model(inputs, input_lengths)\n\n# Calculate CTC Loss\nloss = criterion(outputs.transpose(0, 1), targets, output_lengths, target_lengths)\n```\n  \n## Troubleshoots and Contributing\nIf you have any questions, bug reports, and feature requests, please [open an issue](https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues) on github or   \ncontacts sh951011@gmail.com please.\n  \nI appreciate any kind of feedback or contribution.  Feel free to proceed with small issues like bug fixes, documentation improvement.  For major contributions and new features, please discuss with the collaborators in corresponding issues.  \n  \n## Code Style\nI follow [PEP-8](https:\u002F\u002Fwww.python.org\u002Fdev\u002Fpeps\u002Fpep-0008\u002F) for code style. Especially the style of docstrings is important to generate documentation.  \n  \n## Reference\n- [Conformer: Convolution-augmented Transformer for Speech Recognition](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2005.08100.pdf)\n- [Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.02860)\n- [kimiyoung\u002Ftransformer-xl](https:\u002F\u002Fgithub.com\u002Fkimiyoung\u002Ftransformer-xl)\n- [espnet\u002Fespnet](https:\u002F\u002Fgithub.com\u002Fespnet\u002Fespnet)\n  \n## Author\n  \n* Soohwan Kim [@sooftware](https:\u002F\u002Fgithub.com\u002Fsooftware)\n* Contacts: sh951011@gmail.com\n","\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsooftware_conformer_readme_ee4cedb28c8f.png\" height=100>\n  \n\n\u003Cdiv align=\"center\">\n\n**Conformer 的 PyTorch 实现：用于语音识别的卷积增强 Transformer。**\n\n  \n\u003C\u002Fdiv>\n\n***\n\n\u003Cp align=\"center\"> \n     \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fjasper\u002Fblob\u002Fmain\u002FLICENSE\">\n          \u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache--2.0-informational\"> \n     \u003C\u002Fa>\n     \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fpytorch\">\n          \u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fframework-PyTorch-informational\"> \n     \u003C\u002Fa>\n     \u003Ca href=\"https:\u002F\u002Fwww.python.org\u002Fdev\u002Fpeps\u002Fpep-0008\u002F\">\n          \u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcodestyle-PEP--8-informational\"> \n     \u003C\u002Fa>\n     \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.18154427\">\n          \u003Cimg src=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.18154427.svg\" alt=\"DOI\">\n     \u003C\u002Fa>\n\u003C\u002Fp>\n\n  \nTransformer 模型擅长捕捉基于内容的全局交互，而 CNN 则能有效利用局部特征。Conformer 将卷积神经网络与 Transformer 结合起来，以参数高效的方式建模音频序列中的局部和全局依赖关系。Conformer 显著优于先前的基于 Transformer 和 CNN 的模型，达到了最先进的准确率。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsooftware_conformer_readme_d6db25e34f4b.png\" height=600>\n  \n本仓库仅包含模型代码，但您可以在 [openspeech](https:\u002F\u002Fgithub.com\u002Fopenspeech-team\u002Fopenspeech) 上使用 Conformer 进行训练。\n  \n## 安装\n本项目推荐使用 Python 3.7 或更高版本。\n我们建议为该项目创建一个新的虚拟环境（使用 virtualenv 或 conda）。\n  \n### 先决条件\n* Numpy: `pip install numpy`（如遇到安装问题，请参考 [这里](https:\u002F\u002Fgithub.com\u002Fnumpy\u002Fnumpy)）。\n* PyTorch: 请参考 [PyTorch 官网](http:\u002F\u002Fpytorch.org\u002F)，根据您的环境安装相应版本。\n  \n### 从源码安装\n目前我们仅支持使用 setuptools 从源码进行安装。克隆源代码并运行以下命令：\n\n```\npip install -e .\n```\n\n## 使用\n\n```python\nimport torch\nimport torch.nn as nn\nfrom conformer import Conformer\n\nbatch_size, sequence_length, dim = 3, 12345, 80\n\ncuda = torch.cuda.is_available()  \ndevice = torch.device('cuda' if cuda else 'cpu')\n\ncriterion = nn.CTCLoss().to(device)\n\ninputs = torch.rand(batch_size, sequence_length, dim).to(device)\ninput_lengths = torch.LongTensor([12345, 12300, 12000])\ntargets = torch.LongTensor([[1, 3, 3, 3, 3, 3, 4, 5, 6, 2],\n                            [1, 3, 3, 3, 3, 3, 4, 5, 2, 0],\n                            [1, 3, 3, 3, 3, 3, 4, 2, 0, 0]]).to(device)\ntarget_lengths = torch.LongTensor([9, 8, 7])\n\nmodel = Conformer(num_classes=10, \n                  input_dim=dim, \n                  encoder_dim=32, \n                  num_encoder_layers=3).to(device)\n\n# 前向传播\noutputs, output_lengths = model(inputs, input_lengths)\n\n# 计算 CTC 损失\nloss = criterion(outputs.transpose(0, 1), targets, output_lengths, target_lengths)\n```\n  \n## 故障排除与贡献\n如果您有任何问题、错误报告或功能请求，请在 GitHub 上 [提交一个问题](https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues)，或联系 sh951011@gmail.com。\n  \n我非常欢迎任何形式的反馈或贡献。您可以从小的改进开始，比如修复 bug 或完善文档。对于较大的贡献和新功能，请先在相应的议题中与合作者讨论。\n  \n## 代码风格\n我遵循 [PEP-8](https:\u002F\u002Fwww.python.org\u002Fdev\u002Fpeps\u002Fpep-0008\u002F) 的代码风格规范。尤其是 docstring 的格式对生成文档非常重要。\n  \n## 参考文献\n- [Conformer: 用于语音识别的卷积增强 Transformer](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2005.08100.pdf)\n- [Transformer-XL：超越固定长度上下文的注意力语言模型](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.02860)\n- [kimiyoung\u002Ftransformer-xl](https:\u002F\u002Fgithub.com\u002Fkimiyoung\u002Ftransformer-xl)\n- [espnet\u002Fespnet](https:\u002F\u002Fgithub.com\u002Fespnet\u002Fespnet)\n  \n## 作者\n  \n* Soohwan Kim [@sooftware](https:\u002F\u002Fgithub.com\u002Fsooftware)\n* 联系方式：sh951011@gmail.com","# Conformer 快速上手指南\n\nConformer 是一个基于 PyTorch 实现的语音识别模型，它结合了卷积神经网络（CNN）和 Transformer 的优势，能够同时高效地建模音频序列的局部特征和全局依赖关系。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：推荐 Python 3.7 或更高版本\n*   **前置依赖**：\n    *   **NumPy**：用于数值计算\n    *   **PyTorch**：深度学习框架（请根据您的 CUDA 版本安装对应的 PyTorch）\n\n> **国内加速建议**：\n> 安装依赖时，建议使用清华或阿里镜像源以提升下载速度。\n> *   安装 NumPy: `pip install numpy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n> *   安装 PyTorch: 请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取适合您环境的命令，或使用国内镜像站。\n\n## 安装步骤\n\n本项目目前支持通过源码使用 `setuptools` 进行安装。建议先在虚拟环境（virtualenv 或 conda）中操作。\n\n1.  克隆项目源代码到本地。\n2.  进入项目目录。\n3.  执行以下命令进行安装：\n\n```bash\npip install -e .\n```\n\n## 基本使用\n\n以下是最简单的代码示例，展示如何初始化模型、构建输入数据并进行前向传播及损失计算。\n\n```python\nimport torch\nimport torch.nn as nn\nfrom conformer import Conformer\n\n# 定义输入维度\nbatch_size, sequence_length, dim = 3, 12345, 80\n\n# 设置设备 (GPU 或 CPU)\ncuda = torch.cuda.is_available()  \ndevice = torch.device('cuda' if cuda else 'cpu')\n\n# 初始化 CTC Loss\ncriterion = nn.CTCLoss().to(device)\n\n# 构造随机输入数据\ninputs = torch.rand(batch_size, sequence_length, dim).to(device)\ninput_lengths = torch.LongTensor([12345, 12300, 12000])\n\n# 构造目标标签数据\ntargets = torch.LongTensor([[1, 3, 3, 3, 3, 3, 4, 5, 6, 2],\n                            [1, 3, 3, 3, 3, 3, 4, 5, 2, 0],\n                            [1, 3, 3, 3, 3, 3, 4, 2, 0, 0]]).to(device)\ntarget_lengths = torch.LongTensor([9, 8, 7])\n\n# 初始化 Conformer 模型\nmodel = Conformer(num_classes=10, \n                  input_dim=dim, \n                  encoder_dim=32, \n                  num_encoder_layers=3).to(device)\n\n# 前向传播\noutputs, output_lengths = model(inputs, input_lengths)\n\n# 计算 CTC Loss\nloss = criterion(outputs.transpose(0, 1), targets, output_lengths, target_lengths)\n```\n\n> **注意**：此仓库仅包含模型代码。如果您需要进行完整的模型训练，请参考 [openspeech](https:\u002F\u002Fgithub.com\u002Fopenspeech-team\u002Fopenspeech) 项目。","某智能客服团队正在构建一套高精度的语音识别系统，旨在将海量客服电话录音自动转化为文字工单，以分析用户投诉热点。\n\n### 没有 conformer 时\n- **局部细节丢失**：单纯使用 Transformer 架构难以捕捉语音信号中细微的局部特征（如爆破音、短促停顿），导致专有名词或数字识别错误率高。\n- **长程依赖不足**：仅依赖 CNN 模型无法有效处理长句子中的上下文关联，遇到用户长篇大论的复杂诉求时，语义连贯性差。\n- **调优成本高昂**：为了平衡局部与全局特征，工程师需手动堆叠多种模型或设计复杂的混合结构，研发周期长达数周且参数量巨大。\n- **噪声环境表现弱**：在背景嘈杂的真实通话场景中，现有模型鲁棒性不足，经常产生大量无意义的乱码字符。\n\n### 使用 conformer 后\n- **动静结合精准识别**：conformer 独创性地融合了卷积神经网络与 Transformer，既能提取局部声学特征，又能建模全局语义依赖，显著提升了数字和术语的准确率。\n- **上下文理解更流畅**：凭借对音频序列长短程依赖的同时建模，系统能准确还原用户复杂的长句诉求，工单内容的逻辑连贯性大幅增强。\n- **参数高效快速落地**：利用 conformer 高效的参数设计，团队无需重复造轮子，直接基于 PyTorch 实现即可训练出 SOTA（最先进）模型，开发效率提升数倍。\n- **抗噪能力显著增强**：在真实嘈杂的通话录音测试中，conformer 展现出极强的鲁棒性，有效过滤背景干扰，输出结果清晰可用。\n\nconformer 通过“卷积 + 注意力”的双核驱动，以极高的性价比解决了语音识别中局部特征与全局语境难以兼得的行业难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsooftware_conformer_ee4cedb2.png","sooftware","Soohwan Kim","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsooftware_50359f13.jpg","Just vibing. ✌️",null,"\bSeoul, Republic of Korea","sh951011@gmail.com","sooftware.io","https:\u002F\u002Fgithub.com\u002Fsooftware",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,1111,189,"2026-04-01T15:04:42","Apache-2.0","未说明","非必需（代码支持 CPU 运行），具体型号、显存及 CUDA 版本未说明",{"notes":97,"python":98,"dependencies":99},"建议使用 virtualenv 或 conda 创建虚拟环境。该仓库仅包含模型代码，完整训练功能需参考 openspeech 项目。代码自动检测并适配 CUDA 设备，若无 GPU 则运行在 CPU 上。","3.7+",[100,101,102],"numpy","torch","setuptools",[13,26,55,14],[67,105,106,107,108,109,110,111,112,113,114,115],"transformer","cnn","transformer-xl","asr","speech-recognition","pytorch","conv","convolution","augmented","speech","recognition","2026-03-27T02:49:30.150509","2026-04-06T05:16:01.561370",[119,124,129,134,139,144,149],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},13573,"如何训练 Conformer 模型或使用 RNN-T Loss？","作者已发布新的库 OpenSpeech，其中包含了 Conformer 的训练代码。建议访问 https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fopenspeech 获取完整的训练示例和实现。此外，也可以参考 https:\u002F\u002Fgithub.com\u002Fsooftware\u002Flightning-asr 项目，该项目使用 PyTorch Lightning 实现了相关功能。","https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues\u002F26",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},13574,"如何将模型输出的整数张量解码为字符串文本？","你需要一个词汇表文件（vocab file）来映射索引到字符。例如：\n```python\nexamples = {\n    0: \"\u003Cpad>\",\n    1: \"\u003Csos>\",\n    2: \"\u003Ceos>\",\n    3: \"a\",\n    4: \"b\",\n    ...\n}\n```\n通过该映射关系将模型输出的整数索引转换为对应的字符字符串。完整的训练和解码流程可参考 https:\u002F\u002Fgithub.com\u002Fsooftware\u002Flightning-asr。","https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues\u002F25",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},13575,"遇到矩阵形状无法相乘的错误（mat1 and mat2 shapes cannot be multiplied）如何解决？","这通常是因为输入张量的维度顺序不正确。需要将输入从 [batch, dim, seq_len] 转置为 [batch, seq_len, dim]。例如，将形状从 [32, 201, 1162] 转置为 [32, 1162, 201] 即可解决该问题。","https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues\u002F42",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},13576,"为什么输出长度与目标长度不一致，且输出中包含负浮点数？","输出的负浮点数是未经过 Softmax 处理的 logits（对数概率），而非最终的概率值。关于输出维度（如 490），它通常对应于时间步长或下采样后的序列长度。由于原仓库维护重心已转移，建议查看新库 https:\u002F\u002Fgithub.com\u002Fopenspeech-team\u002Fopenspeech 以获取更准确的架构说明和 Decoder 实现细节（原论文中 Conformer 使用了 LSTM Transducer Decoder）。","https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues\u002F47",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},13577,"运行示例代码时出现多 GPU 相关的形状错误怎么办？","该错误在使用 `nn.DataParallel` 多 GPU 训练时可能出现。测试表明，在单 GPU 环境下代码可以正常运行。如果必须在多 GPU 环境下使用，请检查输入数据的维度是否因 DataParallel 的散射机制发生了意外变化，或者尝试先在单卡环境中验证逻辑正确性。","https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues\u002F31",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},13578,"代码中频繁使用 `.to(self.device)` 会导致 TensorBoard 图表混乱或在无 GPU 环境下报错吗？","是的，模块内部强制调用 `inputs.to(self.device)` 会导致 TensorBoard 中的计算图出现分叉，显得杂乱。更重要的是，如果在没有 GPU 的机器上运行，即使调用了 `model.cpu()`，模块内部的 `self.device` 属性可能仍保留为 cuda，导致转换失败。通常最佳实践是在输入模型前统一将数据和模型移动到指定设备，避免在模块内部重复执行此操作。","https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues\u002F27",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},13579,"相对位置编码中的相对移位函数（relative shift function）是如何工作的？","该函数用于处理相对位置注意力机制中的位置分数矩阵。根据讨论，该实现似乎主要针对因果序列（causal sequence）。有用户指出，如果在“倾斜”（skewing）过程之前将矩阵的左上三角部分设为零，逻辑会更清晰。此外，原始论文附录提到相对位置索引包含双向范围，因此需注意当前实现是否完全覆盖了非因果场景的需求。","https:\u002F\u002Fgithub.com\u002Fsooftware\u002Fconformer\u002Fissues\u002F30",[155,160],{"id":156,"version":157,"summary_zh":158,"released_at":159},72409,"v1.0-zenodo","佐诺多发布","2026-01-05T14:11:05",{"id":161,"version":162,"summary_zh":163,"released_at":164},72410,"v1.0","- 仅使用构象编码器- 更新 README.md（包含使用 CTC 损失的示例）","2022-02-21T02:45:32"]