thchs30数据集是清华大学30小时的中文数据集可以在http://www.openslr.org/18/上下载。
一、数据下载
首先你需要下载语料库:
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 )
data_thchs30文件夹主要包括data文件、dev文件夹、lm_phone文件夹lm_word文件夹、train文件夹、test文件夹。主要就是一些训练好的语言模型和发音词典。
二、修改脚本
1、首先我们在s5文件夹下能够看到三个脚本文件分别是cmd.sh、run.sh和path.sh
2、然后我们打开cmd.sh脚本,将原脚本注释掉,改为:
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"
解释脚本:实际上官方给的脚本是排队系统的命令,需要我们修改成本地运行,即将queue.pl改为run.pl
3、打开run.sh脚本,将脚本中存放数据的位置改为你本机存放数据的路径。