[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-srvk--eesen":3,"tool-srvk--eesen":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",149489,2,"2026-04-10T11:32:46",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":109,"forks":110,"last_commit_at":111,"license":112,"difficulty_score":113,"env_os":114,"env_gpu":115,"env_ram":114,"env_deps":116,"category_tags":121,"github_topics":123,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":131,"updated_at":132,"faqs":133,"releases":167},6366,"srvk\u002Feesen","eesen","The official repository of the Eesen project","Eesen 是一个致力于简化语音识别流程的开源项目，它将传统复杂且依赖专家经验的自动语音识别（ASR）管道，重构为直观的序列学习问题。在传统方案中，构建识别系统通常需要隐马尔可夫模型（HMM）、高斯混合模型（GMM）、决策树以及复杂的发音词典等繁琐组件，而 Eesen 通过训练单个双向循环神经网络（RNN-LSTM），直接建立从语音到文本的映射关系，从而摒弃了上述冗余环节。\n\n该项目特别适合语音识别领域的研究人员和开发者使用，尤其是那些希望探索端到端深度学习架构、或寻求比传统 Kaldi 流程更简洁替代方案的技术团队。Eesen 的核心亮点在于其灵活的解码机制：既支持基于加权有限状态转换器（WFST）的高效解码，能够无缝融合发音词典与语言模型；也提供基于 RNN 语言模型的解码方案，无需固定词典即可处理字符级识别。此外，Eesen 支持 GPU 加速训练，采用 CTC（连接主义时序分类）作为训练目标，并提供了遵循 Kaldi 规范的完整示例脚本，帮助用户快速搭建涵盖音素或字符标签的端到端识别系统。","### Eesen\n\n**Eesen** is to simplify the existing complicated, expertise-intensive ASR pipeline into a straightforward sequence learning problem. Acoustic modeling in Eesen involves training a single recurrent neural network (RNN) to model the mapping from speech to text. Eesen abandons the following elements required by the existing ASR pipeline:\n\n* Hidden Markov models (HMMs)\n* Gaussian mixture models (GMMs)\n* Decision trees and phonetic questions\n* Dictionary, if characters are used as the modeling units\n* **...**\n\nEesen was created by [Yajie Miao](http:\u002F\u002Fwww.cs.cmu.edu\u002F~ymiao) with inspiration from the [Kaldi](https:\u002F\u002Fgithub.com\u002Fkaldi-asr\u002Fkaldi) toolkit. [Thank you, Yajie!](https:\u002F\u002Fwww.youcaring.com\u002Fiscainternationalspeechcommunicationassociation-815026)\n\n### Key Components\n\nEesen contains 4 key components to enable end-to-end ASR:\n* **Acoustic Model**  -- Bi-directional RNNs with LSTM units.\n* **Training**        -- [Connectionist temporal classification (CTC)](http:\u002F\u002Fwww.machinelearning.org\u002Fproceedings\u002Ficml2006\u002F047_Connectionist_Tempor.pdf) as the training objective.\n* **WFST Decoding**   -- A principled decoding approach based on Weighted Finite-State Transducers (WFSTs), or \n* **RNN-LM Decoding** -- Decoding based on (character) [RNN language models](https:\u002F\u002Farxiv.org\u002Fabs\u002F1408.2873), when using Tensorflow (currently its own branch)\n\n### Highlights of Eesen\n\n* The WFST-based decoding approach can incorporate lexicons and language models into CTC decoding in an effective and efficient way.\n* The RNN-LM decoding approach does not require a fixed lexicon.\n* GPU implementation of LSTM model training and CTC learning, now also using [Tensorflow](https:\u002F\u002Fwww.tensorflow.org\u002F).\n* Multiple utterances are processed in parallel for training speed-up.\n* Fully-fledged [example setups](asr_egs\u002F) to demonstrate end-to-end system building, with both phonemes and characters as labels, following [Kaldi](https:\u002F\u002Fgithub.com\u002Fkaldi-asr\u002Fkaldi) recipes and conventions.\n\n### Experimental Results\n\nRefer to RESULTS under each [example setup](asr_egs\u002F).\n\n### References\n\nFor more information, please refer to the following paper(s):\n\nYajie Miao, Mohammad Gowayyed, and Florian Metze, \"[EESEN: End-to-End Speech Recognition using Deep RNN Models and WFST-based Decoding](http:\u002F\u002Farxiv.org\u002Fabs\u002F1507.08240),\" in Proc. Automatic Speech Recognition and Understanding Workshop (ASRU), Scottsdale, AZ; U.S.A., December 2015. IEEE.\n","### Eesen\n\n**Eesen** 的目标是将现有的复杂且高度依赖专业知识的自动语音识别（ASR）流水线简化为一个直观的序列学习问题。在 Eesen 中，声学建模只需训练一个单一的循环神经网络（RNN），以建模从语音到文本的映射关系。Eesen 放弃了传统 ASR 流水线中所需的以下组件：\n\n* 隐马尔可夫模型（HMM）\n* 高斯混合模型（GMM）\n* 决策树和音素相关问题\n* 词典（如果使用字符作为建模单元）\n* **…**\n\nEesen 由 [Yajie Miao](http:\u002F\u002Fwww.cs.cmu.edu\u002F~ymiao) 基于 [Kaldi](https:\u002F\u002Fgithub.com\u002Fkaldi-asr\u002Fkaldi) 工具包的启发而开发。[感谢 Yajie！](https:\u002F\u002Fwww.youcaring.com\u002Fiscainternationalspeechcommunicationassociation-815026)\n\n### 核心组件\n\nEesen 包含四个关键组件，以实现端到端的自动语音识别：\n\n* **声学模型** -- 使用 LSTM 单元的双向 RNN。\n* **训练** -- 采用连接时序分类（CTC）作为训练目标。\n* **WFST 解码** -- 基于加权有限状态转换器（WFST）的规范解码方法；或\n* **RNN-LM 解码** -- 在使用 TensorFlow 时，基于（字符）RNN 语言模型进行解码（目前为独立分支）。\n\n### Eesen 的亮点\n\n* 基于 WFST 的解码方法能够以高效且有效的方式将词典和语言模型融入 CTC 解码中。\n* RNN-LM 解码方法无需固定的词典。\n* 使用 GPU 实现 LSTM 模型训练和 CTC 学习，现已支持 [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F)。\n* 训练过程中可并行处理多条语音片段，从而加快训练速度。\n* 提供完整的[示例配置](asr_egs\u002F)来演示端到端系统的构建，既支持音素标签，也支持字符标签，并遵循 [Kaldi](https:\u002F\u002Fgithub.com\u002Fkaldi-asr\u002Fkaldi) 的配方和规范。\n\n### 实验结果\n\n请参阅各个[示例配置](asr_egs\u002F)下的“RESULTS”部分。\n\n### 参考文献\n\n欲了解更多信息，请参阅以下论文：\n\nYajie Miao、Mohammad Gowayyed 和 Florian Metze，《EESEN：使用深度 RNN 模型和基于 WFST 的解码实现端到端语音识别》，载于《自动语音识别与理解研讨会》（ASRU）会议论文集，美国亚利桑那州斯科茨代尔，2015 年 12 月。IEEE。","# Eesen 快速上手指南\n\nEesen 是一个旨在简化传统自动语音识别（ASR）流程的端到端工具。它摒弃了 HMM、GMM 和决策树等复杂组件，直接通过双向 LSTM 循环神经网络和 CTC 损失函数，实现从语音到文本的序列学习。\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**：推荐 Linux (Ubuntu\u002FCentOS)，Windows 需使用 WSL 或 Docker。\n*   **硬件要求**：强烈建议配备 NVIDIA GPU 以加速 LSTM 训练和 CTC 计算。\n*   **核心依赖**：\n    *   Python (2.7 或 3.x，视具体分支而定)\n    *   C++ 编译器 (g++)\n    *   CUDA Toolkit (如需 GPU 加速)\n    *   Kaldi 工具包 (Eesen 遵循 Kaldi 的数据准备规范和脚本约定)\n    *   Theano 或 TensorFlow (根据您选择的后端分支)\n\n> **提示**：由于 Eesen 深度依赖 Kaldi 的数据处理流程，请先参考 [Kaldi 官方文档](https:\u002F\u002Fkaldi-asr.org\u002F) 完成基础环境搭建。国内用户可尝试使用清华源或中科大源加速 `apt`\u002F`yum` 及 `pip` 依赖的安装。\n\n## 安装步骤\n\nEesen 没有统一的 pip 安装包，通常需要从源码编译。以下是基于标准流程的安装命令：\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fsrvk\u002Feesen.git\n    cd eesen\n    ```\n\n2.  **编译核心组件**\n    进入根目录并运行编译脚本（确保已安装 Kaldi 并设置了 `KALDI_ROOT` 环境变量）：\n    ```bash\n    export KALDI_ROOT=\u002Fpath\u002Fto\u002Fyour\u002Fkaldi\n    .\u002Fconfigure --math-lib=OPENBLAS --use-cuda=yes\n    make -j 4\n    ```\n    *注：`--use-cuda=yes` 用于启用 GPU 加速，若无 GPU 请移除该参数。*\n\n3.  **配置 Python 环境**\n    如果使用 Theano 后端，需安装相关 Python 库：\n    ```bash\n    pip install numpy scipy theano\n    # 国内加速示例\n    # pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy theano\n    ```\n    如果使用 TensorFlow 分支，请切换至对应 branch 并安装 tensorflow：\n    ```bash\n    pip install tensorflow\n    ```\n\n4.  **设置环境变量**\n    将 Eesen 的脚本路径添加到环境变量中，以便全局调用：\n    ```bash\n    export EESEN_ROOT=$(pwd)\n    export PATH=$PATH:$EESEN_ROOT\u002Fsrc\u002Fbin:$EESEN_ROOT\u002Fasr_egs\u002Fwsj\u002Fv1\u002Flocal\n    ```\n\n## 基本使用\n\nEesen 的使用流程高度模仿 Kaldi。最快速的上手方式是运行自带的 WSJ 示例脚本，该脚本演示了从数据准备、模型训练到解码的全过程。\n\n1.  **进入示例目录**\n    以 WSJ（Wall Street Journal）数据集为例：\n    ```bash\n    cd asr_egs\u002Fwsj\u002Fv1\n    ```\n\n2.  **运行完整流程**\n    执行主脚本 `run.sh`。首次运行会自动下载数据、提取特征、训练 CTC 模型并进行解码：\n    ```bash\n    .\u002Frun.sh\n    ```\n\n    **流程解析**：\n    *   **数据准备**：脚本会调用 Kaldi 风格的脚本整理音频和转录文本。\n    *   **特征提取**：生成 MFCC 或 FBANK 特征。\n    *   **模型训练**：使用双向 LSTM 和 CTC 目标函数进行端到端训练（支持字符级或音素级标签）。\n    *   **解码**：默认使用基于 WFST 的解码器，也可配置为 RNN-LM 解码。\n\n3.  **查看结果**\n    训练完成后，识别结果通常位于 `exp\u002F` 目录下的相应文件夹中。您可以查看 `results.txt` 或类似文件获取词错误率（WER）评估报告。\n\n    ```bash\n    cat exp\u002Ftri3_ctc\u002Fdecode_test\u002Flog\u002Fdecode.log | grep WER\n    ```\n\n通过以上步骤，您即可构建一个完整的端到端语音识别系统。更多高级用法（如自定义词典、调整网络结构）请参考 `asr_egs\u002F` 目录下其他示例的 `run.sh` 脚本。","某初创语音团队正致力于为一款智能会议助手开发中文实时转写功能，急需在有限算力下快速构建高精度的端到端识别系统。\n\n### 没有 eesen 时\n- 团队需耗费数周时间手工构建复杂的传统 ASR 流水线，包括训练高斯混合模型（GMM）、设计隐马尔可夫模型（HMM）状态拓扑以及制定繁琐的发音决策树。\n- 必须依赖专家经验维护庞大的发音词典和音素对齐文件，一旦遇到新词或方言变体，整个声学模型往往需要重新调整甚至推翻重来。\n- 系统模块割裂严重，声学模型、语言模型与解码器分别优化，导致误差在各个环节累积，且难以通过端到端的方式全局提升识别率。\n- 训练过程无法充分利用 GPU 加速，处理长音频数据时效率低下，严重拖慢了从数据收集到模型迭代的开发周期。\n\n### 使用 eesen 后\n- 直接利用双向 LSTM 循环神经网络搭建单一声学模型，彻底摒弃了 GMM、HMM 及决策树等中间环节，将建模周期从数周缩短至几天。\n- 采用 CTC 损失函数进行字符级建模，不再依赖固定的发音词典，系统能自动学习语音到文本的映射，轻松应对未登录词和口语化表达。\n- 实现了真正的端到端训练与解码，支持基于 WFST 或 RNN 语言模型的灵活解码策略，显著降低了多模块串联带来的误差传播。\n- 原生支持 GPU 并行训练与多语句批量处理，大幅提升了模型收敛速度，让团队能在短时间内完成多次实验迭代并部署上线。\n\neesen 通过将复杂的语音识别流程简化为直接的序列学习问题，帮助团队以极低的工程门槛实现了高效、灵活的端到端语音转写能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsrvk_eesen_78feb2ce.png","srvk","The Speech Recognition Virtual Kitchen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsrvk_4e7958de.png","Virtual Machines and Containers for Automatic Speech Recognition Research, Development, and Education",null,"info@speech-kitchen.org","http:\u002F\u002Fspeech-kitchen.org","https:\u002F\u002Fgithub.com\u002Fsrvk",[81,85,89,93,97,101,105],{"name":82,"color":83,"percentage":84},"C++","#f34b7d",70.7,{"name":86,"color":87,"percentage":88},"C","#555555",10.4,{"name":90,"color":91,"percentage":92},"Shell","#89e051",9.7,{"name":94,"color":95,"percentage":96},"Perl","#0298c3",5,{"name":98,"color":99,"percentage":100},"Cuda","#3A4E3A",2.8,{"name":102,"color":103,"percentage":104},"Makefile","#427819",0.9,{"name":106,"color":107,"percentage":108},"Python","#3572A5",0.4,835,339,"2026-03-27T00:13:01","Apache-2.0",4,"未说明","支持 GPU 加速（提及 LSTM 模型训练和 CTC 学习的 GPU 实现），具体型号、显存大小及 CUDA 版本未说明",{"notes":117,"python":114,"dependencies":118},"该项目较旧，核心基于 CTC 准则和 WFST 解码。README 提到 Tensorflow 实现位于独立分支中。项目遵循 Kaldi 的食谱和约定，可能需要安装 Kaldi 工具包以运行示例设置。文中未提供具体的现代 Python 版本或依赖库列表。",[119,120],"Kaldi (灵感来源及遵循其脚本约定)","Tensorflow (用于 RNN-LM 解码及 GPU 加速，位于独立分支)",[14,122],"音频",[124,125,126,127,128,129,130],"tensorflow","ctc-loss","asr","ctc","kaldi","speech-recognition","speech-to-text","2026-03-27T02:49:30.150509","2026-04-11T03:24:25.122602",[134,139,144,149,153,158,163],{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},28811,"为什么在解码阶段需要进行后验概率归一化（posterior normalization）？","后验概率归一化是为了在解码过程中更好地平衡声学模型和语言模型的贡献。虽然网络输出的是 softmax 概率，但在 WFST 解码框架中，直接使用原始概率可能导致数值不稳定或搜索空间偏差。'dir\u002Flabel count'用于统计标签出现频率以辅助归一化计算。latgen-faster 的输入参数确实是经过处理的 softmax 概率，但通常会结合归一化因子进行调整以提升解码鲁棒性。","https:\u002F\u002Fgithub.com\u002Fsrvk\u002Feesen\u002Fissues\u002F108",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},28812,"Token 准确率很高（>90%），但词错误率（WER）也很高（>15%），这是什么原因？","这种情况常见于高度屈折变化的语言（如塞尔维亚语）。高 Token 准确率仅表示音素识别较好，但单词形态变化丰富会导致大量替换错误，从而推高 WER。建议同时参考字符错误率（CER），在某些案例中 CER 可低至 1.75%，更能反映实际性能。此外，调整 blank 符号的缩放比例（blank scale）也有助于改善最终解码结果。","https:\u002F\u002Fgithub.com\u002Fsrvk\u002Feesen\u002Fissues\u002F123",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},28813,"在 Grid Engine 集群上运行 EESEN 时任务状态显示为'Eqw'且无日志输出，如何排查？","该问题通常由权限配置不当引起。请使用 'qstat -j \u003Cjob_id>' 查看具体错误信息，常见报错包括 'can't open output file' 或 'can't chdir to ...'。解决方案是确保所有计算节点对共享目录（如 NFS 挂载点）具有读写权限，并检查 cmd.sh 中队列脚本是否正确设置了工作目录和输出路径。例如：\nexport train_cmd=\"queue.pl -q all.q -l arch=*64\"\n需确认执行用户在各节点上能访问相同路径。","https:\u002F\u002Fgithub.com\u002Fsrvk\u002Feesen\u002Fissues\u002F78",{"id":150,"question_zh":151,"answer_zh":152,"source_url":138},28814,"如何支持 THCHS30 中文语音数据集？","EESEN 已验证可支持 THCHS30 数据集。用户只需参照现有的 HKUST 示例结构，在 asr_egs 目录下创建 thchs30 子目录，并复制相应预处理、训练和解码脚本。关键步骤包括：构建符合 EESEN 格式的词典、生成音素级标注文件、调整 fbank 提取参数适配中文特性。社区鼓励将成功配置贡献回主仓库，以便形成官方开源中文示例。",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},28815,"默认学习率调度效率低下，是否有更优方案？","是的，推荐使用 'newbob' 学习率调度策略替代默认扁平式衰减。Newbob 会在每个 epoch 后根据验证集表现动态调整学习率，避免无效训练轮次。实现方式是在训练脚本中引入独立的学习率调度模块，保留原有机制作为默认选项，但允许通过配置文件切换至 newbob。相关补丁已通过 PR #202 合并，用户可直接更新代码启用该功能。","https:\u002F\u002Fgithub.com\u002Fsrvk\u002Feesen\u002Fissues\u002F195",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},28816,"WFST 解码时报错'Symbol spn is not mapped to any integer arc ilabel'，如何解决？","此错误源于 units.txt 与 lexicon.txt 不同步。run_ctc_phn.sh 脚本会忽略噪声符号（如 spn, npn）并重写 units.txt，但 ctc_compile_dict_token.sh 仍期望两者一致。解决方法有两种：一是修改预处理脚本使其同步删除 lexicon.txt 中的对应条目；二是调整 ctc_compile_dict_token.sh 以容忍缺失符号。推荐前者，即修正 prep 脚本确保词典与单元表完全匹配后再编译 WFST。","https:\u002F\u002Fgithub.com\u002Fsrvk\u002Feesen\u002Fissues\u002F193",{"id":164,"question_zh":165,"answer_zh":166,"source_url":138},28817,"Warp-CTC 是否比 EESEN 自带 CTC 实现更快？","对于小规模 token 集合，测试表明 Warp-CTC 并未显著优于 EESEN 原生实现。若希望加速训练，建议优先调整超参数如 --num-sequence 和 --frame-num-limit 来优化批量数据处理效率，而非更换后端。开发团队计划发布更新版食谱（recipes）提供更佳默认设置。",[]]