u012361418的博客

决策树内部结构该页面描述了语音决策树聚类代码的内部结构，代码实现为非常通用的结构和算法。有关解释整个实现算法以及工具包如何使用，请参阅“如何在Kaldi中使用决策树”一节。EventMap类构建决策树代码的主要概念是“事件映射”，由EventMap类型表示。不要被“事件”这个术语误导，而错误地认为是特定时间发生的事情。事件只是一组（键，值）对，没有重复键。概念上，它可以由类型std

Kaldi简单解码器（SimpleDecoder）总述本节我们讲述kaldi中一个最简单的解码器，实现这个解码器的类是SimpleDecoder，理解了这个解码器，也就打下了解码搜索的基础，其他的解码器方法也与其类似，目录在kaldi/src/decoder/simple-decoder.h。解码图数据结构依赖于openfst，基本上可以通过名称猜到表达的含义。分析上一节已经知道，解码...

一、总述解码器是ASR重要的组件之一，在传统的基于GMM-HMM/DNN-HMM混合系统中，解码器架起语言模型、声学模型、发音词典等知识源的桥梁，得到最终的识别结果，如图1所示。随着深度学习技术的盛行，一系列ASR端到端系统、ASR-NLP端到端系统甚至ASR-NLP-TTS端到端系统被相继提出，解码器的作用在被一步步弱化，但是笔者认为，抛弃解码器，实现完全的端到端系统还有相当长的...

语音识别CTC之数据准备一、简介CTC是一种端到端的神经网络训练方法，在语音识别领域应用非常广泛，和传统的语音识别HMM相比，CTC省略了数据对齐，特征选取的过程。传统的HMM在训练神经网络之前需要选择特定的语音特征，比如FBANK、MFCC。而CTC则直接将语音转到频域即可使用，传统的HMM在训练之前需要对数据进行帧对齐，对齐的过程首先要进行HMM-GMM的聚类，并且较小的建模粒度需要做...

语音识别系列7-语音活动端点检测（VAD）一、介绍语音活动端点检测（VAD）已经是一个古老的话题，用于分离信号中语音信号和非语音信号，首先我们讲述VAD的三种做法：1，通过分帧，判断一帧的能量，过零率等简单的方法来判断是否是语音段；2，通过检测一帧是否有基音周期来判断是否是语音段；3，通过DNN的方法训练模型来分类是否是语音帧。相对来说，通过DNN的方法来做VAD准确率会更好一些，本节我们...

HMM拓扑和转移模型 介绍 在本页中，我们将介绍HMM拓扑在Kaldi中是如何表示的，以及我们如何建模和训练HMM转移。我们简要提到这与决策树如何互动； 决策树的充分介绍在How decision trees are used in Kaldi和Decision tree internals。有关此组中的类和函数的列表，请参阅Classes and functions

解码图构建方法（实验部分） 这里我们一步一步地解释图的构建方法，以及与之相关的某些数据准备阶段。这种方法的大部分细节不会硬编码到我们的工具中; 我们正在解释它目前是如何做的。如果这个部分很混乱，那么最好的补救办法可能就是阅读Mohri等人的“Speech Recognition with Weighted Finite-State Transducers”。 要注意：这张纸是相

Kaldi中的构图 首先，我们不能希望引入有限状态转换器以及它们如何用于语音识别。为此，参见Mohri，Pereira和Riley的"Speech Recognition with Weighted Finite-State Transducers"（Springer Handbook on SpeechProcessing and Speech Communication，200

配置文件的文件是simple-option.hsimple-option.ccsimple-options-test.ccoptions-itf.h其中optionsItf 是基类，simpleOptions是子类。通过接口Register注册程序可以接受哪些参数，并把相应的变量绑定到相应的参数上；通过SetOption 和GetOption 设置和过去

kaldi中log的输出代码在 kaldi/src/base 中的kaldi-error.h ,kaldi-error.cc, kaldi-error-test.cc其中，kaldi-error-test.cc 是测试demokaldi-error.h log头文件kaldi-errorcc log源码log默认输出到标准错误中，同时也支持向自定义和第三方库来打印l

最近需要解决一个问题：在Kaldi下做完DNN训练之后，要怎么得到一段录音feature的后验概率，以及在有了这个后验概率之后怎么知道每一帧对应的是哪个状态，同时又是对应哪个phone。首先，如何得到一段录音feature的后验概率。由于DNN训练已经做完，已经得到了训练后的网络，那么只要把feature放进这个网络里面进行一遍从头到尾的运算，就可以得到这个后验概率。在Ka

Kaldi 是如何使用决策树的 介绍本页概述了Kaldi中如何构建和使用语音决策树，以及如何与训练和构建图相互作用。有关内部构造的代码描述，请参见决策树内部结构;有关我们构建解码图的方法的更多细节，请参阅解释Kaldi中的解码图的构建。基本算法是自上而下的贪婪拆分来实现，我们可以通过询问左音素，右音素，中间音素，我们所在的状态等方式来分解数据，等等。我们实现的算法类似于标准

一、简介现在有越来越多的公司和团体开始使用chain model了，得益于kaldi社区日益活跃和kaldi作者povey的大力推荐，chain model的优越性在于：1，使用了单状态的biphone，建模粒度更大，有些类似于CTC；2，采用的低帧率策略，DNN每三帧输出一次，解码速度更快；3，使用了区分性训练，准确率更高；4，改进了MMI，提出了Lattice free MMI，训练速度更...