关于CMUSphinx的一些整理

过去挺久了，这里记录的代码还是比较原始的阶段，等以后整理好后不上更完整的应用代码

平台搭建

PC平台

• 通过MAVEN构建

<project>
    <repositories>
        <repository>
            <id>snapshots-repoid>
            <url>https://oss.sonatype.org/content/repositories/snapshotsurl>
            <releases><enabled>falseenabled>releases>
        <snapshots><enabled>trueenabled>snapshots>
        repository>
    repositories>
project>

//dependency

<dependency>
    <groupId>edu.cmu.sphinxgroupId>
    <artifactId>sphinx4-coreartifactId>
    <version>1.0-SNAPSHOTversion>
dependency>

<dependency>
    <groupId>edu.cmu.sphinxgroupId>
    <artifactId>sphinx4-dataartifactId>
    <version>1.0-SNAPSHOTversion>
dependency>

Android平台

不需要网上繁琐的Ant编译教程，直接从别人的项目中找到jar包比较方便。

API的使用及代码

配置器

    public class ConfigClass {

        public static Configuration configuration = new Configuration();
        public  ConfigClass()
        {
            // Set path to acoustic model.
            configuration.setAcousticModelPath("./mod/bergtrain.cd_cont_200");
            // Set path to dictionary.
            configuration.setDictionaryPath("./mod/bergtrain.cd_cont_200/bergtrain.dic");
            // Set language model.
            configuration.setLanguageModelPath("./mod/bergtrain.lm.dmp");
        }
    }

实时识别

    public class LiveRec {

        static Configuration conf = new Configuration();

        public static void main(String[] args) {
            // TODO Auto-generated method stub
            ConfigClass configClass = new ConfigClass();
            conf = configClass.configuration;

            try
            {
                LiveSpeechRecognizer recognizer;
                recognizer = new LiveSpeechRecognizer(conf);
                while(true)
                    {
                        recognizer.startRecognition(true);
                        System.out.println("speak");
                        SpeechResult result = recognizer.getResult();
                        // Pause recognition process. It can be resumed then with startRecognition(false).
                        recognizer.stopRecognition();
                        printout(result);
                    }

            }
            catch (IOException e)
            {
                System.out.println(e.toString());
            }

        }

        public static void printout(SpeechResult inresult)
        {
            System.out.println("Result:"+inresult.getHypothesis());

        }

    }

音频文件识别

    public class SerialRec 
    {
        static Configuration conf = new Configuration();

        public static void main( String[] args )
        {
            ConfigClass configClass = new ConfigClass();
            conf = configClass.configuration;
            LiveSpeechRecognizer recognizer;
            try 
            {
                recognizer = new LiveSpeechRecognizer(conf);
            } 
            catch (IOException e) 
            {
                e.printStackTrace();
            }
            test_all("speech1");
        }

        public static void printout(SpeechResult inresult)
        {
            System.out.println("Result:"+inresult.getHypothesis());
        }

        public static void test_all(String infile)
        {
            StreamSpeechRecognizer recognizer;
            try 
            {
                recognizer = new StreamSpeechRecognizer(conf);
                for (int i=1;i<281;i++)
                {
                    try
                    {
                        recognizer.startRecognition(new FileInputStream("./res/"+infile+"/1_" +String.valueOf(i) +".wav"));
                        SpeechResult result = recognizer.getResult();
                        recognizer.stopRecognition();   
                        System.out.print(String.valueOf(i)+"->Result:");
                        String tsr = result.getHypothesis();
                        System.out.println(tsr);

                    }
                    catch(Exception e)
                    {}
                }
            } 
            catch (IOException e) 
            {
                e.printStackTrace();
            }
        }
    }

训练过程

• 待补充

样本量要求

1 hour of recording for command and control for single speaker
5 hour of recordings of 200 speakers for command and control for many speakers
10 hours of recordings for single speaker dictation
50 hours of recordings of 200 speakers for many speakers dictation

配置调优分析

FontEnd 相关参数

epFrontEnd 带端点检测

• 包含组件speechClassifier, speechMarker 以及 nonSpeechDataFilter 是端点检测的基本组件，构成默认的FrontEnd pointer。

• speechClassifier用于将Speech和背景声音区别开来， threshold门限用于设置灵敏度，值越低，越灵敏。

• speechMarker用于确定speech结尾的非speech部分的长度，以保证手机信息的完整性。默认50ms

• MicroPhone 中的 ‘msecPerRead’ 参数设置一次读取的时长 默认 10ms。 ‘closeBetweenUtterances’ 设置在说话间隙是否关闭麦克风，建议不关闭，因为开关不稳定(linux)。

• dataBlocker 用于设置音频块的长度, 默认 10ms.

• Preemphasizer 是一个高通滤波器，用于增加高频的信息能量

• fft这里用的是DiscreteCosineTransform，函数变换用，梅尔频谱系数，MFCC.

• liveCMN 计算迄今为止的倒谱平均值。

• featureExtraction 这里用的是 DeltasFeatureExtractor 倒谱三角量计算

一些影响因素

• speechClassifier、speechMarker、nonSpeechDataFilter、denoise 对识别准确率有负面影响。

  • Dither 加入人工噪音，防止能量为0时候崩溃，降低准确率

  • EnergyFilter 抛弃0能量帧，是Dither的替代品，降低准确率

  • Preemphasizer 高通滤波器，准确率较好

SearchManageer

连续语音识别使用 wordPruningSearchManager

• linguist这里用的是lexTreeLinguist不超过三音节较大的n-gram文法 - 这语言学家将直接从N - gram语言模型生成的搜索空间。
  支持的词汇是存在于字典中的语言模型中发现的字和词的交集。假定单词在单词表中的所有序列是有效的。要为其定义acoustic Model 和 language Model

• linguist 如果用 flatlinguist就可以用grammar.

• pruner 这里用的是 SimplePrunner 剪枝用的

• threadedScoer多线程 评分 计算

• SimpleActiveListManager用于存放待扩展的Token