Kaldi架构解读

该篇翻译自How to start with Kaldi and Speech Recognition

Kaldi架构

Kaldi主要分为两个主要部分：分别是特征抽取、识别模型

特征抽取模块

大多数处理音频数据的模型都会需要对音频进行特征的抽取，用以达到以下两个目的：

• 识别人类语音的声音
• 丢弃任何不必要的噪音。

今天在行业，广泛使用MFCC：

• 关于MFCC的原理，可以参考这篇博客
• 关于MFCC的实现，可以参考我的gist

在Kaldi中，还使用了额外的两种特征：

• CMVN：用于更好的对MFCC特征进行归一化
• I-Vectors：用于声纹识别，将说话人的特征从音频信息中单独提取出来，让音频特征更“纯粹”

一个通用的理解是：

• MFCC和CMVN用于表示音频的内容
• I-vector用于表示音频或说话人的“风格”(style)

模型

kaldi的模型架构由两部分组成，第一部分是声学模型，第二部分是语言模型。

声学模型

Kaldi的声学模型大概如图所示，将音频提取特征后经由模型训练，识别，得到相应的音素，这个模型在过去是GMM，如今已经改为了深度神经网络。