PaddleSpeech 语音应用实战指南：demos 目录全场景解析-平芜编程栈

PaddleSpeech 语音应用实战指南：demos 目录全场景解析

【免费下载链接】PaddleSpeechEasy-to-use Speech Toolkit including Self-Supervised Learning model, SOTA/Streaming ASR with punctuation, Streaming TTS with text frontend, Speaker Verification System, End-to-End Speech Translation and Keyword Spotting. Won NAACL2022 Best Demo Award.项目地址: https://gitcode.com/paddlepaddle/PaddleSpeech

PaddleSpeech 的demos/目录汇集了 15 个可直接运行的语音应用示例，覆盖语音识别（ASR）、语音合成（TTS）、音频分类（CLS）、语音翻译（ST）、说话人验证、流式服务端等核心任务。本指南以 demos/README.md 为骨架，逐一对每个 demo 的用途、命令用法、参数含义与预训练模型进行讲解，并结合仓库源码与配置文件（如 demos/speech_server/conf/application.yaml）补充底层实现细节，帮助你快速选定并跑通适合自己业务场景的语音应用。

上图展示了audio_searchingdemo 中"音频向量入库—Milvus 相似度检索—MySQL 元数据回查"的完整工作流，它是 demos 目录中架构最完整、组件最丰富的示例之一。本文将按"单机命令行任务 → 服务化部署 → 复合场景应用"三个层次展开全部 demo。

一、demos 目录全景：15 个应用一览

根据 demos/README.md，该目录包含以下语音应用：

Demo 目录	核心能力	依赖组件
`audio_searching`	大规模音频相似度检索	Milvus + MySQL + FastAPI
`audio_tagging`	音频多标签分类（527 类 AudioSet）	PaddleSpeech CLS
`automatic_video_subtitles`	视频自动字幕	ASR + 标点恢复
`metaverse`	让图片中的人物"开口说话"	TTS + PaddleGAN
`punctuation_restoration`	无标点文本标点恢复	PaddleNLP ERNIE
`speech_recognition`	音频转写文本	ASR
`speech_server`	离线语音服务（HTTP）	ASR/TTS/CLS/Text/Vector 多引擎
`streaming_asr_server`	流式语音识别服务（WebSocket）	DeepSpeech2/Conformer
`streaming_tts_server`	流式语音合成服务（HTTP/WebSocket）	FastSpeech2 + 流式声码器
`speech_translation`	端到端语音翻译	FAT-ST 模型
`story_talker`	基于 OCR + TTS 的故事书朗读器	PaddleOCR + TTS
`style_fs2`	FastSpeech2 多风格控制	FastSpeech2
`text_to_speech`	文本转语音	多种声学模型 + 声码器
`speech_ssl`	自监督预训练特征提取与识别	wav2vec2/HuBERT/WavLM
`whisper`	基于 Whisper 的识别与翻译	Whisper

绝大多数 demo 都遵循统一的使用范式：安装 PaddleSpeech → 准备 WAV 输入文件 → 通过paddlespeech命令行或 Python Executor API 完成任务。下文将先介绍这些可单命令完成的语音任务。

二、单命令语音任务：一次调用即可完成的推理

2.1 语音识别（speech_recognition）

demos/speech_recognition/README.md 演示了最基础的 ASR 能力。输入必须是 WAV 文件，且采样率需与模型一致（默认 16k）。

# 下载示例音频 wget -c https://paddlespeech.cdn.bcebos.com/PaddleAudio/zh.wav https://paddlespeech.cdn.bcebos.com/PaddleAudio/en.wav https://paddlespeech.cdn.bcebos.com/PaddleAudio/ch_zh_mix.wav # 中文识别 paddlespeech asr --input ./zh.wav -v # 英文识别（指定 transformer_librispeech 模型） paddlespeech asr --model transformer_librispeech --lang en --input ./en.wav -v # 中英混说（Code-Switch 模型） paddlespeech asr --model conformer_talcs --lang zh_en --codeswitch True --input ./ch_zh_mix.wav -v # ASR 结果管道到标点恢复 paddlespeech asr --input ./zh.wav -v | paddlespeech text --task punc -v

核心参数包括：model（默认conformer_wenetspeech）、lang（默认zh）、codeswitch（默认False）、sample_rate（默认16000）、config/ckpt_path（置None时自动使用预训练模型）、yes（接受程序自动转换音频采样率）、device与verbose。其中paddlespeech-ctcdecoders是可选依赖，缺失不影响基本功能。

仓库提供的中文预训练模型全家桶（采样率均为 16k）：conformer_wenetspeech、conformer_online_multicn、conformer_aishell、conformer_online_aishell、deepspeech2online_wenetspeech、deepspeech2offline_aishell、deepspeech2online_aishell；英文模型transformer_librispeech、deepspeech2offline_librispeech；中英混说模型conformer_talcs。对应的 Python 写法是from paddlespeech.cli.asr import ASRExecutor后调用asr_executor(model=..., audio_file=..., force_yes=False, device=paddle.get_device())。

2.2 文本转语音（text_to_speech）

demos/text_to_speech/README.md 覆盖了最丰富的 TTS 组合：默认声学模型为Fastspeech2、默认声码器为HiFiGAN，默认走动态图推理。

# 中文 paddlespeech tts --input "你好，欢迎使用百度飞桨深度学习框架！" # 批量合成（stdin 每行格式：编号 + 空格 + 文本） echo -e "1 欢迎光临。\n2 谢谢惠顾。" | paddlespeech tts # 使用 SpeedySpeech 声学模型 paddlespeech tts --am speedyspeech_csmsc --input "你好，欢迎使用百度飞桨深度学习框架！" # 中文多说话人（切换 spk_id） paddlespeech tts --am fastspeech2_aishell3 --voc pwgan_aishell3 --input "你好，欢迎使用百度飞桨深度学习框架！" --spk_id 0 # 英文 paddlespeech tts --am fastspeech2_ljspeech --voc pwgan_ljspeech --lang en --input "hello world" # 中英混说多说话人（am 必须为 fastspeech2_mix，lang 必须为 mix） paddlespeech tts --am fastspeech2_mix --voc hifigan_csmsc --lang mix --input "热烈欢迎您在 Discussions 中提交问题。" --spk_id 174 --output mix_spk174.wav # 粤语 paddlespeech tts --am fastspeech2_canton --voc pwgan_aishell3 --input "各个国家有各个国家嘅国歌" --lang canton --spk_id 10 # 使用 ONNXRuntime 推理（--use_onnx True） paddlespeech tts --input "你好，欢迎使用百度飞桨深度学习框架！" --output default.wav --use_onnx True

参数方面，am是声学模型类型（默认fastspeech2_csmsc），voc是声码器（默认pwgan_csmsc），另有am_config/am_ckpt/am_stat/phones_dict/tones_dict/speaker_dict、voc_config/voc_ckpt/voc_stat、spk_id（默认0）、lang（默认zh）、output（默认output.wav）、use_onnx、fs等参数。Python 侧使用TTSExecutor，ONNX 推理时还可指定cpu_threads控制线程数。

声学模型候选包括speedyspeech_csmsc、fastspeech2_csmsc、fastspeech2_ljspeech、fastspeech2_aishell3、fastspeech2_vctk、fastspeech2_cnndecoder_csmsc、fastspeech2_mix、tacotron2_csmsc、tacotron2_ljspeech、fastspeech2_male、fastspeech2_canton；声码器候选包括pwgan_csmsc、pwgan_ljspeech、pwgan_aishell3、pwgan_vctk、mb_melgan_csmsc、style_melgan_csmsc、hifigan_csmsc、hifigan_ljspeech、hifigan_aishell3、hifigan_vctk、wavernn_csmsc、pwgan_male、hifigan_male。

2.3 音频多标签分类（audio_tagging）

demos/audio_tagging/README.md 用 527 个 AudioSet 标签对音频文件做多标签标注，覆盖音乐标注、声学场景分类、音频事件分类等场景。

wget -c https://paddlespeech.cdn.bcebos.com/PaddleAudio/cat.wav https://paddlespeech.cdn.bcebos.com/PaddleAudio/dog.wav paddlespeech cls --input ./cat.wav --topk 10

参数含义：input（必填，待分类音频）、model（默认panns_cnn14）、config/ckpt_path（置None使用预训练模型）、label_file（置None使用 AudioSet 标签）、topk（返回前 k 个标签，默认1）、device。实际输出中，"Cat: 0.899"、"Meow: 0.878" 等分数表示模型对各类别的置信度。Python 侧通过from paddlespeech.cli.cls import CLSExecutor调用。预训练模型有panns_cnn6、panns_cnn10、panns_cnn14，采样率均为 32000。

2.4 标点恢复（punctuation_restoration）

demos/punctuation_restoration/README.md 解决 ASR 转写文本无标点、可读性差的问题：

paddlespeech text --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 # 输出：今天的天气真不错啊！你下午有空吗？我想约你一起去吃饭。

参数包括task（默认punc）、model（默认ernie_linear_p7_wudao）、lang（默认zh）、config/ckpt_path/punc_vocab（置None使用预训练）、device。预训练模型按标点种类数区分：ernie_linear_p3_wudao支持 3 种标点（，。？），ernie_linear_p7_wudao支持 7 种标点（，。！？、：；）。Python 侧使用TextExecutor。

2.5 语音翻译（speech_translation）

demos/speech_translation/README.md 演示端到端语音翻译（当前不支持 Windows）：

paddlespeech st --input ./en.wav # 输出：ST Result: ['我 在 这栋 建筑 的 古老 门上 敲门 。']

参数：model（默认fat_st_ted）、src_lang（默认en）、tgt_lang（默认zh）、sample_rate（默认16000）、config/ckpt_path/device。预训练模型为fat_st_ted（en→zh）。Python 侧使用from paddlespeech.cli.st import STExecutor。

2.6 关键词唤醒（keyword_spotting）

demos/keyword_spotting/README.md 从语音中识别关键词：

wget -c https://paddlespeech.cdn.bcebos.com/kws/hey_snips.wav https://paddlespeech.cdn.bcebos.com/kws/non-keyword.wav paddlespeech kws --input ./hey_snips.wav paddlespeech kws --input ./non-keyword.wav # hey_snips.wav → Score: 1.000, Threshold: 0.8, Is keyword: True # non-keyword.wav → Score: 0.000, Threshold: 0.8, Is keyword: False

参数：threshold（打分阈值，默认0.8）、model（默认mdtc_heysnips）、config/ckpt_path/device/verbose。预训练模型mdtc_heysnips（en，16k）。Python 侧使用KWSExecutor。

2.7 说话人验证（speaker_verification）

demos/speaker_verification/README.md 从音频中提取说话人 embedding，并支持打分：

wget -c https://paddlespeech.cdn.bcebos.com/vector/audio/85236145389.wav wget -c https://paddlespeech.cdn.bcebos.com/vector/audio/123456789.wav # 提取单条 embedding paddlespeech vector --task spk --input 85236145389.wav # 批量（job 文件方式） echo -e "demo1 85236145389.wav" > vec.job paddlespeech vector --task spk --input vec.job # 两段音频打分（score 范围 [0, 1]） paddlespeech vector --task score --input "./85236145389.wav ./123456789.wav"

参数：task（spk或score，默认spk）、model（默认ecapatdnn_voxceleb12）、sample_rate（默认16000）、config/ckpt_path/device。Python 侧使用VectorExecutor，提取两条 embedding 后可用vector_executor.get_embeddings_score(audio_emb, test_emb)计算相似度打分。这也正是 audio_searching 检索系统中向量来源的基础能力。

2.8 自监督语音模型（speech_ssl）

demos/speech_ssl/README.md 演示基于大规模无标注语音自监督训练得到的 wav2vec2 等模型的两种用法：识别文本与提取声学表征。

wget -c https://paddlespeech.cdn.bcebos.com/PaddleAudio/en.wav # 识别文本 paddlespeech ssl --task asr --lang en --input ./en.wav # 提取声学表征 paddlespeech ssl --task vector --lang en --input ./en.wav

参数：model（默认wav2vec2，可选wav2vec2、hubert、wavlm）、task（默认asr）、lang（默认en）、sample_rate、config/ckpt_path/yes/device/verbose。Python 侧使用SSLExecutor，vector任务返回形如Tensor(shape=[1, 164, 1024])的声学表征，可作为下游任务的输入特征。

2.9 Whisper 识别与翻译（whisper）

demos/whisper/README.md 集成了 OpenAI Whisper 通用语音识别模型，支持多语言识别、语音翻译与语种识别：

wget -c https://paddlespeech.cdn.bcebos.com/PaddleAudio/zh.wav # 识别 paddlespeech whisper --task transcribe --input ./zh.wav # 指定英文专用 base 尺寸模型 paddlespeech whisper --lang en --size base --task transcribe --input ./en.wav # 识别并翻译为英文 paddlespeech whisper --task translate --input ./zh.wav

参数：model（默认whisper）、task（默认transcribe）、lang（置en选择英文专用模型，medium/base/small/tiny尺寸支持英文专用）、size（默认turbo，可选turbo/large/medium/base/small/tiny）、language（强制指定识别语言，默认None由模型自行判定）、sample_rate（仅支持16000）、yes/device/verbose。翻译任务的输出会附带带时间戳的分段结果与 token 信息；文档中提示翻译功能使用large或medium模型效果更好。Python 侧使用WhisperExecutor。

三、服务化部署：从单机命令到多客户端并发

3.1 离线语音服务（speech_server）

demos/speech_server/README.md 用一条命令启动包含 ASR、TTS、CLS、标点、说话人向量等任务的 HTTP 服务，服务端与客户端分别使用paddlespeech_server与paddlespeech_client。

配置文件位于 demos/speech_server/conf/application.yaml。其中engine_list以<speech task>_<engine type>格式声明要加载的引擎，目前支持asr_python、asr_inference、tts_python、tts_inference、cls_python、cls_inference、text_python、vector_python；python表示动态图推理引擎，inference表示基于 Paddle Inference 的静态图推理引擎。该配置文件完整给出了每个引擎的子配置，例如asr_python可指定model: 'conformer_wenetspeech'、lang: 'zh'、decode_method: 'attention_rescoring'、force_yes: True；tts_python需同时指定am（声学模型）与voc（声码器）及各自的_config/_ckpt/_stat；vector_python默认task: spk、model_type: 'ecapatdnn_voxceleb12'。若服务可正常启动但客户端 IP 不可达，可尝试将host改为本机实际 IP。

启动服务与调用示例：

# 启动服务（默认端口 8090） paddlespeech_server start --config_file ./conf/application.yaml # 中英混说请改用 ./conf/conformer_talcs_application.yaml # ASR 客户端 paddlespeech_client asr --server_ip 127.0.0.1 --port 8090 --input ./zh.wav # TTS 客户端 paddlespeech_client tts --server_ip 127.0.0.1 --port 8090 --input "您好，欢迎使用百度飞桨语音合成服务。" --output output.wav # CLS 客户端 paddlespeech_client cls --server_ip 127.0.0.1 --port 8090 --input ./zh.wav # 说话人向量：提取 embedding paddlespeech_client vector --task spk --server_ip 127.0.0.1 --port 8090 --input 85236145389.wav # 说话人向量：计算两段音频打分 paddlespeech_client vector --task score --server_ip 127.0.0.1 --port 8090 --enroll 85236145389.wav --test 123456789.wav # 标点预测 paddlespeech_client text --server_ip 127.0.0.1 --port 8090 --input "我认为跑步最重要的就是给我带来了身体健康"

客户端参数要点：ASR 客户端支持sample_rate（默认 16000）、lang（默认 zh_cn）、audio_format（默认 wav）；TTS 客户端支持spk_id（默认 0）、speed/volume（取值 0~3，默认 1.0）、sample_rate（可选 0/8000/16000，0 表示与模型一致）、output；vector 客户端task可选spk或score。服务端start命令参数为config_file（默认./conf/application.yaml）与log_file（默认./log/paddlespeech.log）。

查询各任务支持的全部模型可使用paddlespeech_server stats --task asr|tts|cls|vector|text，其中标注为静态模型的可用于 Paddle Inference 推理。Python 侧通过from paddlespeech.server.bin.paddlespeech_server import ServerExecutor启动服务，客户端则使用paddlespeech.server.bin.paddlespeech_client下对应的ASRClientExecutor、TTSClientExecutor、CLSClientExecutor、VectorClientExecutor、TextClientExecutor。

3.2 流式语音识别服务（streaming_asr_server）

demos/streaming_asr_server/README.md 实现基于WebSocket 协议（不支持 HTTP）的流式 ASR 服务，音频边传边识别、结果边识别边返回。目前集成了 DeepSpeech2 与 Conformer 两类在线模型。

# 启动流式识别服务（CPU 默认，改 device 参数可部署到 GPU） paddlespeech_server start --config_file ./conf/ws_conformer_wenetspeech_application.yaml # 追求更快解码速度（有精度折损） paddlespeech_server start --config_file ./conf/ws_conformer_wenetspeech_application_faster.yaml # 流式识别客户端 paddlespeech_client asr_online --server_ip 127.0.0.1 --port 8090 --input ./zh.wav

配置要点可参考 demos/streaming_asr_server/conf/ws_conformer_wenetspeech_application.yaml：protocol: 'websocket'、engine_list: ['asr_online']，引擎asr_online支持model_type: 'conformer_online_wenetspeech'、decode_method: "attention_rescoring"、continuous_decoding: True（端点检测后继续解码）以及num_decoding_left_chunks（控制解码左看 chunk 数，可调节实时性与准确率）。从客户端日志可观察到识别结果逐段增量的过程（如"我认为跑"→"我认为跑步最重要的"→完整句子），最终消息signal: 'finished'附带每个字的起止时间戳times，可用于字幕对齐，日志还会给出RTF（实时率）指标。

流式 ASR 还提供了两个进阶脚本：

联合标点服务：另起一个punc_application.yaml配置的标点服务（默认端口 8190），客户端通过--punc.server_ip/--punc.port同时调用两个服务，使流式识别结果实时带标点；
生成字幕（.srt）：运行local/websocket_client_srt.py（需先安装 ffmpeg），可把 mp3/wav 音频转写为带时间轴的标准.srt字幕文件，例如：

python3 local/websocket_client_srt.py --server_ip 127.0.0.1 --port 8090 --punc.server_ip 127.0.0.1 --punc.port 8190 --wavfile ../../data/认知.mp3

3.3 流式语音合成服务（streaming_tts_server）

demos/streaming_tts_server/README.md 实现边说边合成的流式 TTS 服务，同时支持http 与 websocket两种协议，通过配置文件的protocol字段切换。

配置文件 demos/streaming_tts_server/conf/tts_online_application.yaml 中，engine_list可选tts_online（Paddle 动态图推理）或tts_online-onnx（ONNXRuntime 推理，速度更快）。关键设计是分块（chunk）推理：

声学模型（AM）：支持fastspeech2_csmsc与fastspeech2_cnndecoder_csmsc（含 onnx 版本）。其中fastspeech2不支持流式 AM 推理（am_pad/am_block不生效），而fastspeech2_cnndecoder支持流式，am_pad=12时流式合成与整句合成结果一致。am_block表示一个 chunk 中的有效帧数，am_pad表示 chunk 前后附加的帧数（用于消除流式推理误差）。配置示例：am_block: 72、am_pad: 12。
声码器（Voc）：支持mb_melgan_csmsc与hifigan_csmsc（含 onnx 版本）。mb_melgan在voc_pad=14时与整句合成一致，voc_pad最小可设为 7（听感正常，小于 7 会出现异常）；hifigan在voc_pad=19时与整句一致，voc_pad=14时听感正常。配置示例：voc_block: 36、voc_pad: 14，onnx 引擎还需设置与声码器配置一致的voc_upsample（默认 300）。推理速度上mb_melgan > hifigan，音质上mb_melgan < hifigan。

启动与调用：

# 默认 http 协议，端口 8092 paddlespeech_server start --config_file ./conf/tts_online_application.yaml # http 客户端 paddlespeech_client tts_online --server_ip 127.0.0.1 --port 8092 --protocol http --input "您好，欢迎使用百度飞桨语音合成服务。" --output output.wav # websocket 客户端（需先将配置文件的 protocol 改为 websocket） paddlespeech_client tts_online --server_ip 127.0.0.1 --port 8092 --protocol websocket --input "您好，欢迎使用百度飞桨语音合成服务。" --output output.wav

客户端参数：server_ip/port、protocol（http/websocket，默认 http）、input（必填）、spk_id（默认 0，当前仅支持单说话人模型，该参数不生效）、output、play（是否边合成边播放，依赖 pyaudio 库）。流式 TTS 不支持改采样率、变速与音量。服务日志会输出"首包响应/尾包响应/音频时长/RTF"等指标，用于评估流式合成的实时性能。Python 侧使用TTSOnlineClientExecutor。

四、复合场景应用：多技术栈组合

4.1 大规模音频相似度检索（audio_searching）

demos/audio_searching/README.md 是 demos 中架构最完整的示例：用 PaddleSpeech 预训练模型（说话人识别等）把音频转成向量，存入开源向量数据库 Milvus 并配合 MySQL 存储元数据，实现海量音频的相似度检索（可用于音效查重、声纹库快速检索、防欺诈与身份盗用等）。

4.1.1 组件启动与配置

通过 demos/audio_searching/docker-compose.yaml 一键启动 Milvus 依赖链（etcd、MinIO、Milvus standalone）与 MySQL：

cd demos/audio_searching/ docker-compose -f docker-compose.yaml up -d

成功后会创建milvus-standalone（端口 19530）、audio-mysql（端口 3306）、milvus-etcd、milvus-minio及前端容器audio-webclient（映射 8068→80）。随后安装 Python 依赖并启动后端：

pip install -r requirements.txt # 本地运行可跳过配置；远端运行二选一： vim src/config.py # 或 export MILVUS_HOST=127.0.0.1 / export MYSQL_HOST=127.0.0.1 export PYTHONPATH=$PYTHONPATH:./src python src/audio_search.py # FastAPI 服务，默认 0.0.0.0:8002

配置参数（详见 demos/audio_searching/src/config.py）：

参数	说明	默认值
`MILVUS_HOST`	Milvus 服务 IP	127.0.0.1
`MILVUS_PORT`	Milvus 端口	19530
`VECTOR_DIMENSION`	向量维度	2048
`MYSQL_HOST`	MySQL IP	127.0.0.1
`MYSQL_PORT`	MySQL 端口	3306
`DEFAULT_TABLE`	Milvus/MySQL 默认集合名	audio_table

4.1.2 建库、检索与测试

# 下载 CN-Celeb 数据集（或改用 Librispeech、VoxCeleb、UrbanSound 等） wget -c https://www.openslr.org/resources/82/cn-celeb_v2.tar.gz && tar -xvf cn-celeb_v2.tar.gz # 默认模型为 ecapatdnn_voxceleb12，如需更换修改 src/encode.py # 一键脚本测试：下载数据 → 加载模型 → 提取 embedding → 建库 → 检索 → 删库 python ./src/test_audio_search.py

从test_audio_search.py的运行日志可以看到完整链路：音频格式校验（16k 采样率）→ 加载预训练模型ecapatdnn_voxceleb12-16k→ 提取 80 维 Fbank 特征 → backbone 前向得到 192 维 embedding → 批量入库（Successfully loaded data, total count: 20）→ 检索返回相似音频及相似度分数 → 清空 Milvus 与 MySQL 表。GUI 模式下访问127.0.0.1:8068可上传目录建库、上传.wav检索相似音频（若浏览器与服务不在同一机器，需同步修改 docker-compose.yaml 中的API_URL并重新执行）。

文档给出的实测结论（机器为 CentOS 7.6 / E5-2620 v4 / 132G 内存，数据集 CN-Celeb 训练集 65 万条、测试集 1 万条、向量维度 192、L2 距离）：在 90% 召回率前提下，Milvus 检索约2.9 ms，特征提取约500 ms（测试音频约 5 秒），单条音频总耗时约503 ms。预训练模型为ecapa_tdnn（采样率 16000）。

4.2 视频自动字幕（automatic_video_subtitles）

demos/automatic_video_subtitiles/README.md 用 ASR + 标点恢复为视频生成字幕：

wget -c https://paddlespeech.cdn.bcebos.com/demos/asr_demos/subtitle_demo1.mp4 # 提取单声道 16k 的 wav ffmpeg -i subtitle_demo1.mp4 -ac 1 -ar 16000 -vn input.wav

Python 侧将ASRExecutor识别结果送入TextExecutor的punc任务，最终得到带标点的完整中文转写。这展示了 PaddleSpeech 任务间管道组合的典型模式。

4.3 数字人说话（metaverse）

demos/metaverse/README.md 将 PaddleSpeech 的 TTS 与 PaddleGAN 结合，让图片中的人物"开口说话"，构建 2D 虚拟数字人：

./run.sh # 脚本内部先 source path.sh 设置环境变量，并包含安装步骤

替换sentences.txt中的句子可更换口播内容，替换download/Lamarr.png可更换形象。

4.4 故事书朗读器（story_talker）

demos/story_talker/README.md 面向亲子阅读场景：用 PaddleOCR 识别绘本文字，再用 PaddleSpeech TTS 朗读出来：

./run.sh

4.5 FastSpeech2 多风格控制（style_fs2）

demos/style_fs2/README.md 利用 FastSpeech2 的可控变量（duration、energy、pitch）实现风格化语音：

./run.sh # 内部先 source path.sh 设置环境变量

核心玩法（详见 demos/style_fs2/style_syn.py）：控制duration可改变语速且保持音高不变（部分工具加速会连带升高音高）；将整句pitch设为均值且音调置 1 可得到"机器人音色"；按固定比例抬高成年女性pitch可得到"儿童音色"；还可对不同音素设置不同的 duration/pitch 缩放比例来强调或弱化某些发音。句子可替换sentences.txt中的内容。

五、总结：如何选择适合自己的 demo

PaddleSpeech demos 目录覆盖了从"单命令推理"到"多组件服务化部署"再到"跨模态复合应用"的完整梯度，选择路径可参考：

快速体验语音能力：从 speech_recognition、text_to_speech、audio_tagging、punctuation_restoration 入手，只需安装 PaddleSpeech 与一条命令；
需要服务化/流式能力：参考 speech_server（HTTP 多任务）、streaming_asr_server（WebSocket 流式识别 + 标点 + srt 字幕）、streaming_tts_server（HTTP/WebSocket 流式合成）；
需要工程化检索/多媒体能力：参考 audio_searching（Milvus + MySQL 向量检索）、automatic_video_subtitles、story_talker、metaverse、style_fs2；
需要前沿模型能力：参考 speech_ssl（wav2vec2/HuBERT/WavLM）与 whisper（Whisper 多语言识别与翻译）。

所有 demo 的输入音频原则上都要求与模型采样率匹配（默认 16k），配置或命令行中的force_yes/yes参数可接受程序自动完成采样率转换；服务类 demo 建议使用 paddlepaddle 2.4rc 及以上版本，且"易用（easy）安装模式"下需要参照各 demo 的conf/目录自行准备 yaml 配置文件。对照本文的配置表与源码路径，即可快速将对应 demo 改造成自己的业务方案。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考