kaldi中文语音识别thchs30模型训练

1.准备thchs30中文数据集

今天开始做语言模型啦，数据集采用的是清华大学的中文数据集thchs30，下载地址在http://www.openslr.org/18/ ，由于是在服务器做训练，以下步骤均采用shell语句进行。

 

1.1 在服务器上使用shell命令（wget -P 目录 网址）下载thchs30,并保存到指定文件（egs/thchs30/s5/thchs30-openslr）

wget –p egs/thchs30/s5/thchs30-openslr http://www.openslr.org/resources/18/data_thchs30.tgz

wget –p egs/thchs30/s5/thchs30-openslr http://www.openslr.org/resources/18/test-noise.tgz

wget –p egs/thchs30/s5/thchs30-openslr http://www.openslr.org/resources/18/test-noise.tgz

 

1.2解压在thchs30-openslr下

tar  -zxvf data_thchs30.tgz

tar  -zxvf test-noise.tgz

tar  -zxvf test-noise.tgz

2.修改脚本

2.1修改thchs30/s5文件夹下的cmd.sh:先找到s5 目录下的cmd.sh，右键编辑，将内容更改为：

export train_cmd=run.pl export decode_cm="run.pl" export mkgraph_cmd="run.pl "  export cuda_cmd="run.pl"

 

 

2.2修改thchs30/s5文件夹下的run.sh: 先找到s5 目录下的cmd.sh，右键编辑，将内容更改为：

n=2      #parallel jobs（根据cpu的个数来定）

thchs=***********/egs/thchs30/s5/thchs30-openslr （中文数据集的文件路径）

 

3.开始语言模型训练

Shell语句cd到s5，运行run.sh：

cd  ***********/egs/thchs30/s5./

./run.sh

 

4.总结

以下主要针对run.sh脚本命令及结果进行解读，这个过程主要是：数据准备，特征提取，monophone单音素训练， tri1三因素训练， trib2进行lda_mllt特征变换，trib3进行sat自然语言适应，trib4做quick，后面就是dnn了。目前我只跑到了monophone单音素训练，因此只讲解到monophone单音素训练，后续过程以后再讲。

4.1数据准备

4.2特征提取

梅尔倒谱系数（Mel-scale Frequency Cepstral Coefficients，简称MFCC），对于语音特征参数MFCC提取过程详解，有一位博主写的很详细，这里就不详述了，链接为：https://my.oschina.net/jamesju/blog/193343    

4.3准备发音词典和训练语言模型

4.4训练monophone模型和解码

train_mono.sh用法和其中的参数设置，训练单音素的基础HMM模型，迭代40次，并按照realign_iters的次数对数据对齐。

thchs-30_decode.sh测试单音素模型，实际使用mkgraph.sh建立完全的识别网络，并输出一个有限状态转换器，最后使用decode.sh以语言模型和测试数据为输入计算WER.