#系统环境
ubuntu 20.04 lts, 系统安装的python3默认为python3.8，我在海外的linode云主机测试的。

#安装环境：
sudo apt update
sudo apt-get install python3 cmake sox libsndfile1-dev ffmpeg flac -y
curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py
python3 get-pip.py
git clone https://github.com/espnet/espnet
cd espnet/tools
./setup_python.sh $(command -v python3)
#fix bug on matplotlib
sudo apt-get install libfreetype6-dev -y
pip install torch==1.7.1 chainer==6.0.0 kaldiio espnet
make TH_VERSION=1.7.1 CPU_ONLY=0

#安装实用工具
apt install lrzsz pcp

在当前文件夹上传待测试的中文语音文件t.wav。代码中“kamo-naoyuki/aishell_conformer”为aishell数据集的预训练模型名（https://github.com/espnet/espnet_model_zoo/blob/master/espnet_model_zoo/table.csv 中可看到espnet model zoo中目前支持的预训练模型列表，中文asr目前就支持这一个）

import soundfile
from espnet_model_zoo.downloader import ModelDownloader
from espnet2.bin.asr_inference import Speech2Text
d = ModelDownloader()
speech2text = Speech2Text(
**d.download_and_unpack("kamo-naoyuki/aishell_conformer"),
    # Decoding parameters are not included in the model file
    maxlenratio=0.0,
    minlenratio=0.0,
    beam_size=20,
    ctc_weight=0.3,
    lm_weight=0.5,
    penalty=0.0,
    nbest=1
)
audio, rate = soundfile.read("t.wav")
nbests = speech2text(audio)
text, *_ = nbests[0]
print(text)

性能：推理解码速度挺快，但和cpu有关 ，推理时8线程cpu全部占满，5秒出结果。

功能效果：

     t.wav测试文件中我的原话是：“我说一句话，你给我识别一下看看，看效果怎么样”

     识别后的中文为：”我说一句话你不要看看他说我什么样“