CMUSpinx - 创建语言模型

语言模型

语言模型是语音识别中最重要的组件之一，它告诉解码器应该去识别哪些单词序列。语言模型有这么几种，一种是关键词列表，第二种是语法和统计语言模型，第三种是音节语言模型，功能和性能均有所差别。

关键词列表

Pocketsphinx支持关键词列表语言模型，这种模式支持用户给出一系列的关键词用作查询。这种模式的优点在于：你可以为每一个关键词指定一个阈值，阈值的大小与关键词的长度有关，关键词越长，阈值越大，从而便于在连续的语音中检测出关键词。除了关键词列表模型外，其他两种模型都是试图检测语法中的单词，即使你使用的单词并不在语法当中。一个典型的关键词列表如下：

oh mighty computer /1e-40/
hello world /1e-30/
other phrase /1e-20/

每一个关键词词组必须指定阈值，短的关键词，可以用短的阈值例如1e-1，长的关键词的阈值要大一点，最大不超过1e-50。如果一个关键词非常长，超过10个音节，在这种情况下，建议将该关键词分割成短的词组，分别用来识别。在语言模型中，我们需要基于以下两个因素调节阈值的大小：

• 识别错误率；
• 识别遗漏；
  最佳方式是用一段已经录制好的音频文，具体步骤如下：

1. 找一段长的录音，这段录音包含你想要的关键词和其他一些声音。比如，你可以着一段电影原声，这段音频的时间大约1小时；
2. 基于这个文件，运行以下命令来进行一个关键词识别，每次运行用不同的关键词阈值：

pocketsphinx_continuous -infile  -keyphrase  -kws_threshold  -time yes

这个命令会打印出许多log，其中一部分是检测到的关键词及其时间和可信度，你可以通过-logfn your_file.log选项来关闭多余的log输出。

3. 从关键词检测的结果中查看有多少错误的检测以及遗漏的检测；
4. 最终选择错误率最低的阈值来作为该关键词的阈值；

一般情况下，每个关键词具有3-4个音节可以达到比较好的准确率，太短的关键词容易产生混淆。只有PocketSphinx支持关键词列表，而Sphinx4并不支持。

下面我来实际操作一下，首先你需要准备一个音频文件，那么音频文件从哪里来呢？大家都会看电影对吧，你可以使用ffmpeg从电影文件中提取音频文件，运行命令如下：

ffmpeg -i input.rmvb -f wav -ar 16000 output.wav

然后呢，运行上面的命令遇到以下问题：

1. 未指定hmm （声学模型）；
2. 未指定字典；
3. 输入音频文件是双声道，需要转换为单声道。

首先，运行

ffmpeg.exe -i audio.wav -ac 1 mono.wav

将双声道转换为单声道，运行命令：

D:\sphinx\pocketsphinx>bin\Release\Win32\pocketsphinx_continuous.exe -infile d:\tools\ffmpeg\mono.wav -keyphrase "good choice" -kws_threshold 1e-20 -time yes -hmm model\en-us\en-us -dict model\en-us\cmudict-en-us.dict

log显示如下：

关闭log的显示，


如果把阈值设置为1e-30，结果如下：

如果设置为1e-15，那么结果如下：