第三十章 kaldi 中文ASR实例
该实例基于thchs30开源数据集,且基于高斯统计模型,旨在了解训练过程和搭建在线识别系统的过程.
在线中文识别
原始数据下载
总共三个tgz文件： data_thchs30.tgz [6.4G] ( speech data and transcripts ) test-noise.tgz [1.9G] ( standard 0db noisy test data ) resource.tgz [24M] ( supplementary resources, incl. lexicon for training data, noise samples ) 下载后随便解压到哪个目录文件夹下。 我解压的目录路径是：
/media/gsc/kaldi_data/thchs30-openslr
训练生成模型
该example在我的电脑上的目录是：
/home/gsc/kaldi/egs/thchs30/s5
PC编译的cmd.sh按如下方式更改以使用pc进行编译： 至少4核4G内存。
export train_cmd=run.pl
export decode_cmd="run.pl --mem 4G"
export mkgraph_cmd="run.pl --mem 8G"
export cuda_cmd="run.pl --gpu 1"
#export train_cmd=queue.pl
#export decode_cmd="queue.pl --mem 4G"
#export mkgraph_cmd="queue.pl --mem 8G"
#export cuda_cmd="queue.pl --gpu 1"
修改run.sh文件：
然后执行run.sh，由于编译时间较长，可以参看run.sh文件跟踪过程；该文件进行了不同声学模型的训练。最简单的就是单音素模型了。 可以在任何时间停止，但是至少mono训练结束后停止，因为下面在线识别依赖至少一个模型。
训练过程
run.sh的剖析和上一章(13章)的yes/no类似,可参考上一章.
安装portaudio
gsc@X250:~/kaldi/tools$ ./install_portaudio.sh
./src/下 , make ext
在线识别
创建相关文件 从voxforge把online_demo拷贝到thchs30下，和s5同级，online_demo建online-data和work两个文件夹。online-data下建audio和models，audio放要识别的wav，models建tri1，讲s5下/exp/下的tri1下的final.mdl和35.mdl拷贝过去，把s5下的exp下的tri1下的graph_word里面的words.txt和HCLG.fst也拷过去。
修改脚本 修改online_demo 下的run.sh
注释
修改模型类型
ac_model_type=tri2b_mmi 改成ac_model_type=tri1更改命令行
-运行run.sh –test_mode live在线识别
单音素识别结果如上，基本不准，但是对“为什么”识别很好.
其它统计模型
运行tri2(tri3,tri4同理)：把s5下的exp下的tri2b下的12.mat考到models的tri2b下，把final.mat考过来，再拷贝其他相应的文件，修改，
online-gmm-decode-faster --rt-min=0.5 --rt-max=0.7 --max-active=4000 \
--beam=12.0 --acoustic-scale=0.0769 --left-context=3 --right-context=3 $ac_model/final.mdl $ac_model/HCLG.fst \
$ac_model/words.txt '1:2:3:4:5' $trans_matrix;;
不截屏结果了，显示比前面一个好，且如果听过wav，就会发现wav文件里高频词汇，识别的结果相对准一些。
dnn模型
运行dnn：首先要将nnet1转成nnet2，如何转换，上面的文章里有，再贴一下链接： dnn网络转换 nnet1->nnet2 网络转换case