kaldi——用shellscript（bash）制作yesno的recipe（一）

本文的内容是我最近的学习心得，可能有不正之处，欢迎指教，另外可能以后会更新

要看懂以下内容，首先你得会一些基本的shellscript（bash）语言，另外你得看得懂英文（补一句听来的名言：英文差的程序员不是好的程序员）。

 

先从kaldi的安装说起吧

一，kaldi的安装与编译

首先cd到安装的目录下

cd  /wangyu        #wangyu是我建的一个文件夹

然后安装kaldi

git clone https://github.com/kaldi-asr/kaldi.git kaldi –origin upstream

安装完成后，进入安装目录，首先编译kaldi工具

cd wangyu/kaldi/tools

tools下面有说明文件，名叫 INSTALL，当然其他文件夹下一般也有。可以打开这个安装说明文件，按照它的说明进行安装。先检查依存的工具是否具备。

在tools下的extras下有个scipt，名叫check_dependencies.sh，这个script就是干这个事的，直接执行。

extras/check_dependencies.sh

它会提示你还缺什么工具，缺什么就安装什么。因为每个人的环境等都不一样，所以却缺的工具不同，根据它的提示都安装好，然后再运行一次，直到提示信息是：All is ok！

然后编译

make -j 8

8是并行处理时使用的cpu核数，根据自己的cpu进行配置，核数越多编译越快。

完成后，进入src文件夹，进行配置，这个文件夹也有一个安装说明 INSTALL，可以查看，根据步骤安装。

cd wangyu/kaldi/src

运行配置文件

./configure 

 这个时候可能会弹出一些信息，比如我的python时python3，所以需要指定默认使用python3，等之类的信息，根据自己的信息，把这些配置信息补全。

完成后，然后依次运行以下两条命令进行编译

make depend -j 8

make -j 8

完成后，它会提示你，统计语言模型工具包IRSTLM，kaldi默认不安装，需要自己下载安装。这儿，我们安装另外一个工具包SRILM。

首先再官网上下载，下载过程有点麻烦，需要注册信息。

我下载的文件叫做 srilm-1.7.2.tar.gz，然后将它移动到tools下，同时改一个名字（最好改一下名字，不然你接下来要在安装script里面修改一下代码）。

mv srilm-1.7.2.tar.gz tools/srilm.tgz

tools下有一个script，叫做 install_srilm.sh，它就是用来安装这个包的，直接运行就好了

tools/install_srilm.sh

完成后，会生成几条 path 信息，这就是这个工具包的 path，你记不住没关系，这些信息保存在tools下的env.sh文件里面，这个path文件挺重要，要使用srilm工具的话就要导入这个path信息。

好了，以上就安装完成。

下面，检查一下是否安装成功。

kaldi下有一个egs文件下，这个文件夹下，保存着很多作为学习参考用的语音识别系统，有中文的 thchs30 （清华大学开发），日语的 csj（东京工业大学开发，我们研究室新人学习就是使用的这个）等，大部分的都是英文的，你也可以在这建一个自己的语音识别的系统，根据不同的识别任务，所开发的识别系统也各种各样。

比如，我要开发一个自己的语音识别的系统，我使用了一些自己收集到的语音数据，然后使用kaldi提供的工具，比如mfcc特征提取工具等，这个就类似，我要炒菜，现在有了食材，有了锅菜刀等工具，不同的料理有不同的制作方法，我们把这个叫做菜谱，很形象地，kaldi里把这个叫做 recipe，这就需要搭建识别系统的你来写了，一般来说，这个script 叫做 run.sh

下面以一个非常简单的识别系统为例，叫做打开 egs文件下，找到yesno这个文件夹，进入，有一个叫做 s5 的文件夹，以及一个关于这个语音识别系统的说明文件 README，可以读一下。

好了，进入正题。进入s5文件夹，当然下面有一下其他的文件夹和文件，不懂没关系。先找到这个run.sh 然后运行它

cd kaldi/egs/yesno/s5 && bash run.sh

然后这个系统就开始运转了：下载数据，准备数据，准备词典，准备声学模型，准备语言模型，提取MFCC特征，训练模型，制图，测试。

最后弹出一个

%WER：0.00

的东西，就表示这个系统已经正常运转，平且对于测试语音数据的识别结果的 WER（word error rate）为0，表示100%正确。

注：WER是评估语音识别系统性能的通用标准，它的计算公式如下

参考正解：A B C D E F G

识别结果：A V C    E F H G

其中，

置换错误一处：B>V

遗漏错误一处：D>

插入错误一处：  >H

所以词错误率：%WER= （1+1+1）/ 7 = 0.43 左右

关于WER，我的了解暂时还不多，以后再补充