NeMo Speech 自监督学习集合 API 指南：SSL 模型类与 Mixin 深度解析

NeMo Speech 自监督学习集合 API 指南：SSL 模型类与 Mixin 深度解析

【免费下载链接】SpeechA scalable generative AI framework built for researchers and developers working on Large Language Models, Multimodal, and Speech AI (Automatic Speech Recognition and Text-to-Speech)项目地址: https://gitcode.com/GitHub_Trending/nem/Speech

本指南围绕 docs/source/asr/ssl/api.rst 展开，系统讲解 NeMo Speech 仓库中自监督学习（SSL）集合的核心 API：两个模型类SpeechEncDecSelfSupervisedModel与EncDecDenoiseMaskedTokenPredModel，以及两个通用 MixinASRModuleMixin与AccessMixin。阅读完本文，你将理解 SSL 预训练模型的构造流程、loss_list多损失机制、掩码 token 预测（NEST）的数据流，并掌握如何基于这些 API 训练、加载与迁移自监督预训练权重。

SSL 集合 API 文档的定位

在 NeMo 的 SSL 文档树中，api.rst 是面向开发者的"类库索引页"，它以 Sphinxautoclass指令把 SSL 集合对外暴露的关键符号自动渲染成带完整 docstring、签名与继承关系的 API 参考。它与 intro.rst（原理介绍）、models.rst（模型设计思路）、configs.rst（配置指南）、results.rst（检查点与微调）共同构成完整的 SSL 文档体系。

api.rst 共收录四个符号，按功能可分为两组：

下文依次深入这些类的实现细节，并结合仓库中的示例脚本与 YAML 配置给出可落地的用法。

SpeechEncDecSelfSupervisedModel：自监督预训练基类

SpeechEncDecSelfSupervisedModel是 SSL 集合中最基础的模型类，定义于 ssl_models.py，其 docstring 明确了定位："用于自监督编码器预训练的编码器-解码器模型基类"。它同时继承了三个父类：

• ModelPT：NeMo 模型基类，提供from_config_dict、from_pretrained、restore_from、save_to、maybe_init_from_pretrained_checkpoint等能力；
• ASRModuleMixin：提供面向 ASR 模块的运行时调整方法（详见后文）；
• AccessMixin：提供中间层张量访问与注册机制（详见后文）。

构造流程：从配置到模块

构造方法（__init__）按以下顺序构建模型组件（ssl_models.py）：

1. preprocessor：从cfg.preprocessor实例化特征提取器（MFCC / Mel 频谱），把原始波形转为模型输入特征；
2. encoder：从cfg.encoder实例化编码器，这是 SSL 训练后要保留下来的核心部分（后续微调直接复用）；
3. decoder + loss 或 loss_list：若配置中存在loss_list键，则构建多个 decoder-loss 对组成的nn.ModuleDict；否则按单decoder+ 单loss构建。SSL 阶段使用的 decoder 与损失在下游微调时会被丢弃；
4. spec_augmentation：从cfg.spec_augment实例化频谱增强模块（SSL 中通常使用掩码类增强）；
5. dropout_features / dropout_features_q：可选的特征级 Dropout，分别作用于"送入编码器的特征"和"送入量化器的目标特征"（Wav2Vec 风格训练常用）；
6. feature_penalty：可选的预处理器输出特征惩罚项（Wav2Vec 训练的feat_pen机制），其值为processed_signal.float().pow(2).mean() * pen_factor；
7. access 配置：若cfg中存在access键，则通过set_access_cfg写入全局访问配置，供AccessMixin使用。

从源码结构可以推断，apply_masking标志控制训练时是否对频谱施加掩码增强，forward中会根据该标志决定是否调用self.spec_augmentation（ssl_models.py）。

前向传播：四元组输出

forward方法（ssl_models.py）接受两种互斥的输入组合：

• 原始波形：input_signal（形状[B, T]）+input_signal_length；
• 已处理特征：processed_signal（形状[B, D, T]）+processed_signal_length（例如来自 DALI 预处理器）。

它返回一个四元组：

1. spectrograms：形状[B, D, T]，送入量化器/目标构造用的频谱（在 dropout_features_q 之后）；
2. spec_masks：形状[B, D, T]，实际施加到频谱上的掩码（由增强模块产生，超出有效长度的位置被强制清零）；
3. encoded：编码器输出特征，形状[B, D, T]；
4. encoded_len：编码器下采样后的序列长度向量[B]。

前向过程中还包含一个关键细节：若loss_list中任一子损失的output_from_layer非空，模型会通过AccessMixin注册机制在训练/验证时保存指定中间层的编码器输出，供后续损失使用（ssl_models.py）。

多损失机制：loss_list深度解读

SSL 集合最大的灵活性在于支持同时使用多个 decoder-loss 对（ssl_models.py）。loss_list是DictConfig字典，每个键代表一个命名子损失，其配置字段如下（源自 configs.rst 与源码实现）：

在decoder_loss_step中（ssl_models.py），模型遍历decoder_losses：

• 按output_from_layer从AccessMixin注册表中取指定中间层输出（registry[name]['encoder'][-1]）；
• 按transpose_encoded决定是否转置；
• 若targets_from_loss指定了某个对比损失，则从该损失中取出量化目标target_ids与target_lengths作为其他损失的标签；
• 每个损失根据自身needs_labels属性决定是否传入 targets；
• 最终总损失为各损失按loss_alpha加权求和，同时返回未加权损失字典用于日志记录。

training_step中还有一个细节：每个子损失按trainer.global_step >= start_step动态激活（ssl_models.py），这允许训练初期只跑对比损失、后期再加入 MLM/CTC/RNNT 等需要标签的损失，以提升早期训练稳定性。

数据集加载：多后端支持

_setup_dataloader_from_config（ssl_models.py）展示了 SSL 数据管线的兼容性：

• Lhotse：use_lhotse: true时走 Lhotse 数据加载；
• DALI：use_dali: true时使用 GPU 数据管线；
• tarred 数据集：is_tarred: true时使用TarredAudioToCharDataset（配合shuffle_n做内存打乱）；
• 普通数据集：默认走get_char_dataset。

此外还支持在数据集配置中注入augmentor（如random_segment扰动）。setup_training_data/setup_validation_data会默认填充shuffle（训练 True、验证 False）并对 IterableDataset 修正limit_train_batches步数。

官方预训练权重列表

list_available_models()（ssl_models.py）暴露了该基类可直接加载的 NGC 预训练模型：

• ssl_en_conformer_large
• ssl_en_conformer_xlarge

这两个模型可通过from_pretrained(model_name="ssl_en_conformer_large")直接实例化（详见后文"检查点加载"小节）。

EncDecMaskedTokenPredModel与EncDecDenoiseMaskedTokenPredModel：掩码 token 预测家族

api.rst 直接收录的是EncDecDenoiseMaskedTokenPredModel，它继承自EncDecMaskedTokenPredModel（ssl_models.py），后者又继承自SpeechEncDecSelfSupervisedModel，三者构成掩码 token 预测（Masked Token Prediction）的自监督模型家族。

EncDecMaskedTokenPredModel：掩码预测基类

其 docstring 定位为"在编码器输出上执行掩码 token 预测的语音自监督模型"。构造时（ssl_models.py）构建五个组件：

• quantizer：向量量化器，把频谱特征离散化为 token（伪标签来源）；
• mask_processor：掩码处理器；
• encoder/decoder/loss。

构造逻辑里有一个值得注意的参数mask_position（可选pre_conv/post_conv）：

• pre_conv（默认）：在卷积下采样之前对原始频谱特征掩码；
• post_conv：在卷积下采样之后掩码，此时源码会自动修正quantizer.feat_in、masking.feat_in（改为encoder.d_model）、masking.block_size（除以encoder.subsampling_factor）以及loss.combine_time_steps（置为 1），并通过ConvFeatureMaksingWrapper包装encoder.pre_encode实现后卷积掩码。

input_types/output_types声明了神经类型契约：输入为AudioSignal（或已处理SpectrogramType），输出为logprobs、encoded_len、masks、tokens（当num_books == 1且squeeze_single时 logprobs 为('B','T','C')，否则为('B','T','C','H')）。该类还定义了oomptimizer_schema，用于 OOMptimizer 对不同序列长度做最优 batch size 标定。

EncDecDenoiseMaskedTokenPredModel：NEST（去噪 + 掩码预测）

该类是NEST（Neural End-to-End Speech Transformer 类模型）在 NeMo 中的实现，docstring 明确指出其"执行去噪与掩码 token 预测"，对应 NEST 论文（见 examples/asr/speech_pretraining/README.md）。其关键特性：

数据流：与普通 ASR 数据集不同，它使用ssl_dataset.AudioNoiseBatch，每个 batch 同时包含三路信号（ssl_models.py）：

• audio+audio_len：干净语音；
• noise+noise_len：噪声信号；
• noisy_audio+noisy_audio_len：加噪后的混合语音。

前向流程（ssl_models.py）：

1. 对干净语音processed_signal做量化，得到tokens作为预测目标；
2. 对加噪语音processed_noisy_input_signal施加掩码（apply_mask控制是否掩码，掩码时用mask_processor或包装后的pre_encoder）；
3. 编码器接收掩码后的加噪特征，输出encoded；
4. decoder（MultiSoftmaxDecoder）将编码输出映射为 logits，与量化 token 一起送入MultiMLMLoss（mask_threshold: 0.8控制掩码损失的阈值）；
5. 返回(log_probs, encoded_len, masks, tokens)。

input_types完整声明了noise_signal、noisy_input_signal及其长度向量（ssl_models.py），output_types则根据num_books/squeeze_single动态决定 logprobs 维度（ssl_models.py）。

数据加载：_setup_dataloader_from_config使用ssl_dataset.get_audio_noise_dataset_from_config（Lhotse 模式下用LhotseAudioNoiseDataset），数据集配置需要同时指定manifest_filepath与noise_manifest，并可配置batch_augmentor（如MultiSpeakerNoiseAugmentation）在 batch 级实时混噪。

ASRModuleMixin：ASR 模块运行时调整

ASRModuleMixin（mixins.py）是所有 ASR 模型（包括 SSL 模型）共享的模块级能力扩展，继承自ASRAdapterModelMixin。其设计原则是：每个方法先检查子类中是否存在对应模块，存在才提供附加功能。SSL 预训练阶段关注的核心方法包括：

change_attention_model（mixins.py）：在训练/推理前修改编码器的注意力类型，支持：

• rel_pos：相对位置编码 + Transformer-XL；
• rel_pos_local_attn：相对位置编码 + 基于att_context_size重叠窗口的局部注意力；
• abs_pos：绝对位置编码 + 标准 Transformer；
• rope：旋转位置编码（此时可额外指定rope_base与rotary_fraction）。

att_context_size为[left, right]列表，控制每个 step 可见的左右上下文步数。update_config为True时会同步回写self.cfg（包括rope_base/rotary_fraction），保证配置与模型状态一致。

change_conv_asr_se_context_window（mixins.py）：当模型含ConvASREncoder时，更新其中 SqueezeExcitation 模块的 context window（以 STFT 帧为单位）。

change_subsampling_conv_chunking_factor：调整卷积下采样的 chunking 因子（流式/低延迟场景）。

此外，该类还承载了流式推理相关方法（conformer_stream_step、transcribe_simulate_cache_aware_streaming）与推理工具方法（path2audio_files_to_manifest、diarize等），可见它把"模块切换 + 推理辅助"两类能力统一在了同一 Mixin 中。

AccessMixin：中间层输出访问机制

AccessMixin（access_mixins.py）为模型提供"访问中间层输出"的能力，是 SSL 多损失机制（尤其是output_from_layer）与多层级特征提取的底层支撑。核心机制如下：

• register_accessible_tensor(name, tensor)：将张量注册到模块内部_registry字典（列表结构，可累积多次前向的结果）。受全局access_cfg控制，可配置convert_to_cpu（拷回 CPU）与detach（分离计算图）；
• get_module_registry(module)：递归收集所有命名子模块的注册表，返回{模块名: registry}字典——SSL 的decoder_loss_step正是用它在编码器上取出layers.5、layers.11等指定层的输出；
• reset_registry()：清空本模块及所有子模块的注册表，并在结束后调用set_access_enabled(False)显式关闭缓存；
• access_cfg属性：读取全局共享的访问配置（按model_guid隔离，默认使用全局 GUID）；
• 类方法update_access_cfg/is_access_enabled/set_access_enabled：全局配置的读写与启用开关。

从源码结构看，AccessMixin采用"全局配置 + 按需注册"的设计：只有is_access_enabled为真且训练/验证状态成立时，forward才开启张量注册（ssl_models.py），避免推理或无关阶段产生额外内存开销。这一机制也让 scripts/ssl/extract_features.py 之类的工具能够从 NEST 中提取多层级特征用于下游分类任务（见 examples/asr/speech_pretraining/README.md）。

实战：基于 API 训练、加载与迁移 SSL 模型

数据格式

SSL 预训练沿用 ASR 数据集格式，但不需要真实转写文本。manifest（jsonl）示例如下（源自 examples/asr/speech_pretraining/README.md）：

{"audio_filepath": "path/to/audio1.wav", "duration": 10.0, "text": ""} {"audio_filepath": "path/to/audio2.wav", "duration": 5.0, "text": ""}

NEST（去噪）训练还需要一个noise_manifest提供噪声数据，配合配置中的batch_augmentor（MultiSpeakerNoiseAugmentation）在运行时按概率混合语音与噪声。

训练入口

仓库提供两个训练脚本，分别对应两类模型 API：

Wav2Vec-BERT 风格（对比/重建预训练，使用SpeechEncDecSelfSupervisedModel）：

python examples/asr/speech_pretraining/speech_pre_training.py \ model.train_ds.manifest_filepath=<path to train manifest> \ model.validation_ds.manifest_filepath=<path to val/test manifest> \ trainer.devices=-1 \ trainer.accelerator="gpu" \ strategy="ddp" \ trainer.max_epochs=100 \ model.optim.name="adamw" \ model.optim.lr=0.001 \ model.optim.betas=[0.9,0.999] \ model.optim.weight_decay=0.0001 \ model.optim.sched.warmup_steps=2000

该脚本的默认配置为examples/asr/conf/ssl/fastconformer/fast-conformer.yaml（speech_pre_training.py）。

NEST 风格（去噪掩码 token 预测，使用EncDecDenoiseMaskedTokenPredModel）：

python examples/asr/speech_pretraining/masked_token_pred_pretrain.py \ model.train_ds.manifest_filepath=<path to train manifest> \ model.train_ds.noise_manifest=<path to noise manifest> \ model.validation_ds.manifest_filepath=<path to val/test manifest> \ model.validation_ds.noise_manifest=<path to noise manifest> \ trainer.devices=-1 \ trainer.accelerator="gpu" \ strategy="ddp" \ trainer.max_epochs=100 \ model.optim.name="adamw" \ model.optim.lr=0.001 \ model.optim.betas=[0.9,0.999] \ model.optim.weight_decay=0.0001 \ model.optim.sched.warmup_steps=2000

默认配置为examples/asr/conf/ssl/nest/nest_fast-conformer.yaml（masked_token_pred_pretrain.py）。脚本主体逻辑是EncDecDenoiseMaskedTokenPredModel(cfg=cfg.model, trainer=trainer)+ 可选maybe_init_from_pretrained_checkpoint(cfg)+trainer.fit()。

NEST 配置核心参数

examples/asr/conf/ssl/nest/nest_fast-conformer.yaml 是理解EncDecDenoiseMaskedTokenPredModel配置的完整样例，关键段落如下：

model: sample_rate: 16000 num_classes: 8192 # 量化码本大小 num_books: 1 # 码本数量 code_dim: 16 # 码字维度 squeeze_single: false mask_position: pre_conv # 掩码位置：pre_conv / post_conv train_ds: manifest_filepath: ??? # 训练 manifest（可字符串或列表） noise_manifest: null # 噪声 manifest sample_rate: ${model.sample_rate} batch_size: 8 shuffle: true num_workers: 8 max_duration: 60.0 min_duration: 1.0 is_tarred: false bucketing_strategy: "synced_randomized" batch_augmentor: _target_: nemo.collections.asr.modules.ssl_modules.MultiSpeakerNoiseAugmentation prob: 0.5 noise_ratio: 0.5 min_r_speech: -5.0 max_r_speech: 5.0 min_r_noise: -5.0 max_r_noise: 20.0 min_mix_rate: 0.5 max_mix_rate: 0.5 min_num_segments: 1 max_num_segments: 1 min_num_speakers: 1 max_num_speakers: 1 preprocessor: _target_: nemo.collections.asr.modules.AudioToMelSpectrogramPreprocessor sample_rate: ${model.sample_rate} window_size: 0.025 window_stride: 0.01 features: 80 n_fft: 512 log: true dither: 0.00001 pad_to: 16 masking: _target_: nemo.collections.asr.modules.RandomBlockMasking block_size: 40 # pre_conv 时每帧 10ms，40 帧即 400ms 一个块 mask_prob: 0.01 # allow_overlap=true 时表示每帧掩码概率 feat_in: ${model.preprocessor.features} freeze: true allow_overlap: true quantizer: _target_: nemo.collections.asr.modules.RandomProjectionVectorQuantizer feat_in: ${model.preprocessor.features} code_dim: ${model.code_dim} num_books: ${model.num_books} num_classes: ${model.num_classes} dist_fn: "l2" # 可选 ["l2", "cosine"] freeze: true squeeze_single: ${model.squeeze_single} combine_time_steps: ${model.encoder.subsampling_factor} encoder: _target_: nemo.collections.asr.modules.ConformerEncoder feat_in: ${model.preprocessor.features} n_layers: 17 d_model: 512 subsampling: dw_striding subsampling_factor: 8 self_attention_model: rel_pos n_heads: 8 att_context_size: [-1, -1] # -1 表示不限上下文 conv_kernel_size: 9 dropout: 0.1 decoder: _target_: nemo.collections.asr.modules.MultiSoftmaxDecoder feat_in: ${model.encoder.d_model} num_classes: ${model.num_classes} num_decoders: ${model.num_books} squeeze_single: ${model.squeeze_single} loss: _target_: nemo.collections.asr.losses.MultiMLMLoss combine_time_steps: ${model.encoder.subsampling_factor} mask_threshold: 0.8 num_decoders: ${model.num_books} squeeze_single: ${model.squeeze_single} optim: name: adamw lr: 5.0 betas: [0.9, 0.98] weight_decay: 1e-3 sched: name: NoamAnnealing d_model: ${model.encoder.d_model} warmup_steps: 25000 min_lr: 1e-6

配置注释中还给出了 FastConformer 各规模变体的推荐超参（d_model / n_heads / n_layers / conv_kernel_size / weight_decay 等），从 Small（14M）到 XXLarge（1.2B），供按资源选型。trainer段推荐precision: 32、val_check_interval: 2500、enable_checkpointing: False（检查点由 exp_manager 管理），exp_manager段支持always_save_nemo: True（直接保存.nemo格式）与resume_if_exists（断点续训）。

数据集配置的三个技巧

configs.rst 特别强调：做对比损失时，一个 batch 内各句需要掩码等量 patch，因此应控制 batch 内时长差异，三种推荐做法：

1. min_duration：在数据集配置中直接丢弃过短样本（适合短样本占比不影响总时长的场景）；
2. random_segment扰动：对长音频在运行时随机采样固定长度片段（不足部分 padding）：

augmentor: random_segment: prob: 1.0 duration_sec: 16 # 指定目标片段时长

3. bucketing：按时长分桶保证 batch 内长度相近，参考仓库中bucketing_strategy: "synced_randomized"的用法。

对比损失还需保证掩码步数足够采样负例：例如 4x stride 下要采样 100 个负例，就需要超过 400 个掩码步；使用默认patch_size=48时mask_patches至少设为 9。掩码增强推荐使用MaskedPatchAugmentation：

spec_augment: _target_: nemo.collections.asr.modules.MaskedPatchAugmentation patch_size: 48 mask_patches: 0.5 # 掩码比例（也可设为固定整数数量） freq_masks: 3 # 切 3 个频率带 freq_width: 20 # 每个频率带最大宽度 20

多损失组合示例

基于loss_list，可以将对比损失与其他损失组合（完整示例见 configs.rst）：

对比 + MLM（MLM 的标签来自对比损失的量化器，targets_from_loss: "contrastive"）：

loss_list: contrastive: decoder: _target_: nemo.collections.asr.modules.ConvASRDecoderReconstruction feat_in: ${model.encoder.d_model} feat_hidden: 128 feat_out: ${model.decoder_out} stride_layers: 0 non_stride_layers: 0 loss: _target_: nemo.collections.asr.losses.ContrastiveLoss in_dim: ${model.preprocessor.features} proj_dim: ${model.decoder_out} combine_time_steps: 4 quantized_targets: true codebook_size: 300 num_groups: 2 sample_from_same_utterance_only: true sample_from_non_masked: false mlm: decoder: _target_: nemo.collections.asr.modules.ConvASRDecoder feat_in: ${model.encoder.d_model} num_classes: 90000 # 等于 codebook_size^groups loss: _target_: nemo.collections.asr.losses.MLMLoss combine_time_steps: 4 targets_from_loss: "contrastive" loss_alpha: 1000. transpose_encoded: false start_step: 0 output_from_layer: null

对比 + CTC / RNNT：CTC 与 RNNT 不要求标签与步数严格对齐，可将对比损失的reduce_ids设为true把连续相同 id 合并为单个（configs.rst 中contrastive+ctc与contrastive+rnnt示例完整给出了ConvASRDecoder/CTCLossForSSL与RNNTDecoderJointSSL/RNNTLossForSSL的配置）。

多中间层 MLM：利用output_from_layer+transpose_encoded，可以从编码器第 6、12 层及最后一层分别接入 MLM 损失，实现多层级监督（对应 configs.rst 中的mlm、mlm_2（layers.5）、mlm_3（layers.11）示例），这正是AccessMixin与loss_list协同工作的典型场景。

检查点加载与下游微调

results.rst 给出了完整的加载路径：

加载本地.nemo检查点：

import nemo.collections.asr as nemo_asr ssl_model = nemo_asr.models.ASRModel.restore_from(restore_path="<path/to/checkpoint/file.nemo>")

从 NGC 下载预训练模型（SpeechEncDecSelfSupervisedModel.list_available_models()列出的ssl_en_conformer_large/ssl_en_conformer_xlarge）：

ssl_model = nemo_asr.models.ASRModel.from_pretrained(model_name="ssl_en_conformer_large")

也可从具体模型类调用from_pretrained（如SpeechEncDecSelfSupervisedModel）以访问特定模型功能；用list_available_models()可编程列出某基类下全部可用模型。

把 SSL 权重迁移到下游模型（微调的核心步骤）：

# 定义下游模型（以 RNNT-BPE 为例） asr_model = nemo_asr.models.EncDecRNNTBPEModel(cfg=cfg.model, trainer=trainer) # 加载 SSL 检查点并复制 state_dict（strict=False 丢弃 SSL 专用 decoder/loss 权重） asr_model.load_state_dict(ssl_model.state_dict(), strict=False) del ssl_model

SSL 阶段使用的 decoder 与损失在下游微调时被替换为任务相关模块，只有 encoder 被保留——这正是 models.rst 强调的设计。训练脚本中的maybe_init_from_pretrained_checkpoint(cfg)也可以自动完成这一初始化。若将 NEST 作为多层级特征提取器用于下游分类，参考 downstream/speech_classification_mfa_train.py（配置examples/asr/conf/ssl/nest/multi_layer_feat/下的nest_ecapa_tdnn_small.yaml、nest_titanet_small.yaml），或在 scripts/ssl/extract_features.py 中直接抽取多层级特征。

小结

NeMo SSL 集合的 API 设计体现了清晰的分层思想：

• SpeechEncDecSelfSupervisedModel提供通用的"预处理器 + 编码器 + 多损失解码器"框架，loss_list使其能灵活组合对比、MLM、CTC、RNNT 等损失，适配 Wav2Vec-BERT 等对比/重建式预训练；
• EncDecDenoiseMaskedTokenPredModel（含其父类EncDecMaskedTokenPredModel）实现 NEST 风格的"去噪 + 掩码 token 预测"，通过AudioNoiseBatch同时建模干净语音、噪声与加噪语音；
• ASRModuleMixin提供注意力切换、SE context window 调整等模块级能力；
• AccessMixin提供中间层张量注册与访问，支撑多层级损失与特征提取。

理解这四个 API 符号，就抓住了 NeMo SSL 集合的骨架——无论你是要复现预训练、把 SSL encoder 迁移到 ASR/说话人任务，还是要基于 NEST 抽取多层级特征，都可以在 ssl_models.py、configs.rst 与 examples/asr/speech_pretraining 的配合下快速落地。

【免费下载链接】SpeechA scalable generative AI framework built for researchers and developers working on Large Language Models, Multimodal, and Speech AI (Automatic Speech Recognition and Text-to-Speech)项目地址: https://gitcode.com/GitHub_Trending/nem/Speech