项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
技术标签
使用教程
—
环境要求
- Python 3.10 及以上(README 明确要求)
- pip(用于安装依赖和开发依赖)
- git(需克隆 GitHub 仓库)
- 可访问 GitHub 的网络环境
安装与启动步骤
-
1确认 Python 版本
Lhotse 只支持 Python 3.10 及以后版本,先确认本机版本满足要求,否则后面安装会失败。
python --version -
2克隆仓库
从 GitHub 拉取 lhotse 源码到本地当前目录,后续所有命令都要在 lhotse 目录内执行。
git clone https://github.com/lhotse-speech/lhotse -
3安装开发依赖
进入目录并做可编辑安装,[dev] 会额外装上跑测试、构建文档和启动 notebook 所需的依赖。
cd lhotse pip install -e '.[dev]' -
4安装 pre-commit 钩子
安装代码风格检查钩子,提交代码时会自动触发检查;不提交代码也可跳过。
pre-commit install -
5运行单元测试
执行项目自带的测试集,确认安装是否完整、代码能否正常工作。
pytest test -
6运行代码检查
执行 pre-commit 的 lint 检查,确认本地开发环境配置齐全。
pre-commit run
如何确认成功
在 lhotse 目录下执行 pytest test,若测试正常收集并运行且无导入错误,说明安装成功。
常见问题
Q:修改源码后需要重新安装吗?
A:不需要。安装时用了 -e 可编辑模式,改动源码后直接 import lhotse 即生效,无需重装。
Q:可以用 Python 3.9 吗?
A:不可以。README 明确说明仅支持 Python 3.10 及以上版本,低版本可能安装或导入失败。
Q:pip install -e '.[dev]' 报错找不到依赖怎么办?
A:先确认 Python 版本 ≥3.10,再确认网络能访问 PyPI,必要时重新执行同一条安装命令补全依赖。
Q:只有开发安装方式吗?
A:README 的 Installation 章节只给出了基于 GitHub 源码的开发安装流程,未提供其它安装方式。
注意事项
- README 未给出端口、模型权重或云服务配置,本项目按 Python 库使用,不是独立服务。
- 建议在独立虚拟环境中执行安装,避免污染全局 Python 环境。
- Windows PowerShell 下安装命令中的单引号写法可能不适用,可改用双引号包裹 extras。
核心亮点
- manifest 清单机制把音频路径、时长、文本、特征统一管理,支持懒加载和精确时间戳切分,避免重复预处理
- 与 PyTorch DataLoader 和 k2/icefall 生态深度集成,动态 batching、cut 拼接和 on-the-fly 增强开箱即用
- 兼容 Kaldi 风格数据目录,迁移已有语音数据集成本低,且支持多采样率、多通道音频处理
不足之处
- 学习曲线偏陡,manifest、Cut、Recording 等概念较多,新手需要先理解数据抽象模型
- 文档以 API 和示例为主,缺少系统性的端到端教程,部分高级用法需读源码或社区讨论
适用场景
- 构建 ASR 训练流水线时统一管理多来源语音数据集并做动态 batching
- 语音数据增强与特征提取实验,需要 on-the-fly 计算避免磁盘膨胀
- 将 Kaldi 格式数据迁移到 PyTorch 训练框架并保持可复现的数据划分
替代项目
torchaudio、datasets、webdataset
上一篇:awesome-healthcare-datasets
下一篇:semhash
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注,图像视频文本通吃,导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI,不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
DataGen
开源
用大模型一键生成定制化训练数据,告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models
distilabel
开源
基于论文的合成数据流水线,快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
