企业官网建设流程全解析

• 人工智能
• 语音
• 音频
• NLP
• 媒体生成

PaddleSpeech 的paddlespeech.cli模块提供了一套开箱即用的命令行工具，它封装了声音分类、声纹识别、语音识别、语音翻译、语音合成和文本标点恢复等语音场景的预训练模型，用户只需一行命令即可完成模型下载、加载与推理。本文以 paddlespeech/cli/README.md 为骨架，结合各任务 Executor 的源码实现，系统讲解每条命令的参数含义、底层调用链与批量运行技巧，帮助你快速把 PaddleSpeech 的模型能力接入自己的工程流程。

命令入口与注册机制

paddlespeech可执行命令通过setup.py中的console_scripts注册到 Python 环境（见 setup.py）：

entry_points={ 'console_scripts': [ 'paddlespeech=paddlespeech.cli.entry:_execute', 'paddlespeech_server=paddlespeech.server.entry:server_execute', 'paddlespeech_client=paddlespeech.server.entry:client_execute', ] }

也就是说，安装 PaddleSpeech 后，终端里的paddlespeech命令最终会进入 paddlespeech/cli/entry.py 的_execute()函数。该函数维护了一棵嵌套命令树，逐级匹配paddlespeech、asr、cls等子命令，找到对应的 Executor 后调用其execute(argv)方法，并根据返回值映射为进程退出码（True为 0 成功，False为 1 失败）。

所有子命令的注册与描述集中定义在 paddlespeech/cli/base_commands.py，共注册了 9 个任务：

每个任务 Executor 都继承自 paddlespeech/cli/executor.py 中的抽象基类BaseExecutor，统一实现_init_from_path（加载模型与配置）、preprocess（特征提取）、infer（模型前向）、postprocess（结果还原）和execute（命令行入口）五个阶段，因此所有子命令的使用方式高度一致。

查看帮助与可用模型

运行下面命令可以列出全部可用子命令及其用途：

paddlespeech help

其实现位于 paddlespeech/cli/base_commands.py 的HelpCommand，会遍历命令树打印Usage: paddlespeech <command> <options>及每个命令的描述。

此外还可以查看包版本：

paddlespeech version

VersionCommand会打印当前包版本号与 git commit id（见 paddlespeech/cli/base_commands.py）。

如果想知道某个任务支持哪些预训练模型，可以使用stats子命令，它要求显式指定--task：

paddlespeech stats --task asr

该命令通过 paddlespeech/cli/base_commands.py 的StatsCommand读取对应任务的预训练模型清单，并按"模型-尺寸-语码切换-多语言-语言-采样率"等格式规则排版成表格（不同任务的命名格式见 model_name_format 定义）。

声音分类（Audio Classification）

声音分类用于判断一段音频属于哪一类声音事件（如环境音、乐器、人声等）。最简用法：

paddlespeech cls --input input.wav

CLSExecutor（见 paddlespeech/cli/cls/infer.py）支持的常用参数如下：

从源码看，预处理阶段会读取配置中的sample_rate、n_fft、hop_length、n_mels等特征参数，用LogMelSpectrogram提取对数梅尔谱（paddlespeech/cli/cls/infer.py）；后处理阶段则对模型输出的 logits 排序，取出 top-k 的「标签 + 得分」（paddlespeech/cli/cls/infer.py）。例如想查看得分最高的 3 个类别：

paddlespeech cls --input input.wav --topk 3

声纹识别（Speaker Verification）

声纹识别用于判断两段语音是否来自同一个说话人。PaddleSpeech 提供了spk（提取说话人嵌入向量）和score（计算两段语音的相似度得分）两种任务：

# 提取说话人嵌入向量 paddlespeech vector --task spk --input input_16k.wav # 计算两段语音的相似度得分（输入为两个 wav 路径，以空格分隔） paddlespeech vector --task score --input enroll.wav test.wav

VectorExecutor（见 paddlespeech/cli/vector/infer.py）的常用参数：

底层流程上，spk任务对音频做 fbank 特征提取并做均值归一化后，送入ecapatdnn等骨干网络得到说话人嵌入向量（paddlespeech/cli/vector/infer.py）；score任务则对两段音频分别提取嵌入向量，再用paddle.nn.CosineSimilarity计算余弦相似度作为得分（paddlespeech/cli/vector/infer.py）。得分越接近 1，说明两段语音越可能来自同一说话人。

语音识别（Automatic Speech Recognition）

语音识别是 PaddleSpeech 最核心的能力之一，将音频转写为文字：

paddlespeech asr --lang zh --input input_16k.wav

ASRExecutor（见 paddlespeech/cli/asr/infer.py）支持的参数最为丰富：

几个关键实现细节：

• 音频格式与采样率检查：_check()会用 soundfile 读取音频，若时长超过模型允许的最大长度（默认约 50 秒）或采样率与模型不匹配，会给出提示；采样率不匹配时默认交互式询问是否重采样，可用-y跳过交互（paddlespeech/cli/asr/infer.py）。源码还提示可以用 sox 预处理音频：sox input_audio.xx --rate 16k --bits 16 --channels 1 output_audio.wav。
• 特征与解码：预处理阶段按配置做 fbank 特征提取（paddlespeech/cli/asr/infer.py）；解码阶段根据模型类型分发，conformer/transformer 模型支持 beam search 与 attention rescoring 等多种解码方法（paddlespeech/cli/asr/infer.py）。
• RTF 统计：加上--rtf后，工具会统计解码耗时与音频时长的比值并打印（见 paddlespeech/cli/executor.py 的show_rtf）。

例如用英文 LibriSpeech 模型识别英文音频，并打印实时率：

paddlespeech asr --lang en --model transformer_librispeech --input input_16k.wav --rtf

语音翻译（Speech Translation，英-中）

语音翻译直接把英文语音翻译成中文文本（当前暂不支持 Windows 系统，因为其依赖 Kaldi 工具链的 fbank/pitch 特征提取）：

paddlespeech st --input input_16k.wav

STExecutor（见 paddlespeech/cli/st/infer.py）的参数：

从源码看，fat_st_ted模型的特征提取依赖 Kaldi 工具（compute-fbank-feats、compute-kaldi-pitch-feats等），初始化时会自动下载并解压 kaldi_bins，并注入LD_LIBRARY_PATH和PATH（paddlespeech/cli/st/infer.py），这正是其暂不支持 Windows 的原因。

语音合成（Text-to-Speech）

语音合成将文本转换为语音波形文件：

paddlespeech tts --input "你好，欢迎使用百度飞桨深度学习框架！" --output output.wav

TTSExecutor（见 paddlespeech/cli/tts/infer.py）采用「文本前端 + 声学模型（AM）+ 声码器（Vocoder）」三段式架构，参数分三组：

声学模型相关

声码器相关

其他

推理时，文本先经前端处理为音素序列（SpeedySpeech 还额外使用声调），再经声学模型生成梅尔谱，最后由声码器还原为波形（paddlespeech/cli/tts/infer.py）。多说话人模型通过--spk_id切换音色，例如使用 AISHELL-3 上的 FastSpeech2：

paddlespeech tts --am fastspeech2_aishell3 --spk_id 0 --input "你好，欢迎使用百度飞桨深度学习框架！" --output output.wav

若希望用 ONNX Runtime 做 CPU 推理，可指定--use_onnx true（是否支持取决于所选模型是否在 ONNX_SUPPORT_SET 中）。

文本后处理：标点恢复

语音识别产出的文本通常没有标点，标点恢复任务为其补全标点符号：

# 标准标点恢复模型 paddlespeech text --task punc --input 今天的天气真不错啊你下午有空吗我想约你一起去吃饭 # 更快的标点恢复模型 paddlespeech text --task punc --input 今天的天气真不错啊你下午有空吗我想约你一起去吃饭 --model ernie_linear_p3_wudao_fast

TextExecutor（见 paddlespeech/cli/text/infer.py）的参数：

从源码看，新旧两代模型走不同的初始化分支：老模型（ernie_linear_p7_wudao、ernie_linear_p3_wudao）使用 ERNIE-1.0 的 tokenizer，新模型则使用ernie-3.0-mini-zh快速 tokenizer（paddlespeech/cli/text/infer.py、paddlespeech/cli/text/infer.py）。预处理时会先清洗文本（转小写、去除标点外的特殊字符），再逐 token 预测标点类别，后处理时按预测结果把标点符号插回原文（paddlespeech/cli/text/infer.py）。

进阶用法：批量输入与结果落盘

所有 Executor 都继承BaseExecutor的输入源解析逻辑（paddlespeech/cli/executor.py），因此支持三种输入方式：

1. 单条输入：--input直接给文件或文本，如上文所有示例。
2. 标准输入（stdin）：不传--input时，从管道逐行读取输入，每行格式为id 内容（两列）或仅内容（单列），适合与cat、find等命令联动。
3. 作业文件：--input指向.job/.txt/.scp后缀文件时，逐行解析为key value的批量任务（paddlespeech/cli/executor.py）。

批量执行时，结果按id 结果逐行打印到标准输出；若加上-d/--job_dump_result，会把结果写入输入文件路径.done文件（paddlespeech/cli/executor.py）。例如准备一个texts.job文件：

1 今天的天气真不错啊你下午有空吗我想约你一起去吃饭 2 飞桨深度学习框架让语音技术开发更加简单

然后批量恢复标点并落盘：

paddlespeech text --task punc --input texts.job -d

结果将打印到标准输出，并同时保存到texts.job.done。这一机制对 ASR、CLS、Vector、TTS 等任务同样适用（TTS 多输入时输出文件会自动追加_id后缀，见 paddlespeech/cli/tts/infer.py）。

注意事项小结

• 采样率与格式：ASR 模型通常要求 16k/8k 采样率、16 bit 单声道 wav；输入不匹配时可使用-y自动重采样，或先用 sox 预处理。
• 时长上限：ASR 默认限制单条音频约 50 秒以内，超长音频建议先切分。
• 平台限制：语音翻译st依赖 Kaldi 工具链，暂不支持 Windows。
• 设备选择：所有任务均可用--device cpu或--device gpu:0等指定推理设备，默认跟随 Paddle 当前环境。
• 模型自动下载：首次运行某任务时，工具会自动下载对应的预训练模型与配置文件并缓存到本地（通过 paddlespeech/cli/utils.py 的下载解压逻辑），之后重复执行将直接复用缓存。

通过以上命令，你可以在一行命令内完成从声音分类、说话人确认、语音转写、跨语言翻译、语音合成到标点恢复的完整语音处理链路；如果要在代码中调用同样的能力，各 Executor 的__call__方法也提供了与命令行等价的 Python API，可参考各任务文件中的__call__实现进一步集成。

• 人工智能
• 语音
• 音频
• NLP
• 媒体生成