kaldi使用cvte模型進行語音識別

作業系統 ： Unbutu18.04_x64

gcc版本 ：7.4.0

該模型在thch30資料集上測驗的錯誤率只有8.25%，效果還是不錯的，

模型下載地址：

http://www.kaldi-asr.org/models/m2

選擇模型：CVTE Mandarin Model V2

測驗文本：

自然語言理解和生成是一個多方面問題，我們對它可能也只是部分理解，

在線識別

測驗腳本

./online2-wav-nnet3-latgen-faster --do-endpointing=false --online=false --feature-type=fbank --fbank-config=../../egs/cvte/s5/conf/fbank.conf --max-active=7000 --beam=15.0 --lattice-beam=6.0 --acoustic-scale=1.0 --word-symbol-table=../../egs/cvte/s5/exp/chain/tdnn/graph/words.txt ../../egs/cvte/s5/exp/chain/tdnn/final.mdl ../../egs/cvte/s5/exp/chain/tdnn/graph/HCLG.fst 'ark:echo utter1 utter1|' 'scp:echo utter1 /tmp/test1.wav|' ark:/dev/null

識別結果：

LOG (online2-wav-nnet3-latgen-faster[5.5.421~1453-85d1a]:RemoveOrphanNodes():nnet-nnet.cc:948) Removed 1 orphan nodes.LOG (online2-wav-nnet3-latgen-faster[5.5.421~1453-85d1a]:RemoveOrphanComponents():nnet-nnet.cc:847) Removing 2 orphan components.LOG (online2-wav-nnet3-latgen-faster[5.5.421~1453-85d1a]:Collapse():nnet-utils.cc:1463) Added 1 components, removed 2LOG (online2-wav-nnet3-latgen-faster[5.5.421~1453-85d1a]:CompileLooped():nnet-compile-looped.cc:345) Spent 0.00508595 seconds in looped compilation.utter1 自然語言 理解 和 生成 時 你 該 付 多少 拗 暗 批 我們 對 他 能 爺 只是 部分 理解LOG (online2-wav-nnet3-latgen-faster[5.5.421~1453-85d1a]:main():online2-wav-nnet3-latgen-faster.cc:286) Decoded utterance utter1LOG (online2-wav-nnet3-latgen-faster[5.5.421~1453-85d1a]:Print():online-timing.cc:55) Timing stats: real-time factor for offline decoding was 0.442773 = 3.21453 seconds  / 7.26 seconds.LOG (online2-wav-nnet3-latgen-faster[5.5.421~1453-85d1a]:main():online2-wav-nnet3-latgen-faster.cc:292) Decoded 1 utterances, 0 with errors.LOG (online2-wav-nnet3-latgen-faster[5.5.421~1453-85d1a]:main():online2-wav-nnet3-latgen-faster.cc:294) Overall likelihood per frame was 1.84166 per frame over 724 frames.

可以看到，在線識別的效果比較差，

離線識別

1、直接用cvte自帶的腳本進行識別

替換聲音檔案后，執行如下操作：

ln -s ~/kaldi/egs/wsj/s5/steps ~/kaldi/egs/cvte/s5/stepsln -s ~/kaldi/egs/wsj/s5/utils ~/kaldi/egs/cvte/s5/utilscd egs/cvte/s5./run.sh

查看結果 ：

mike@local:~/src/kaldi/egs/cvte/s5/exp$ cat chain/tdnn/decode_test/scoring_kaldi/penalty_1.0/10.txtCVTE201703_00030_165722_11750 自然語言 理解 和 生成 是 一個 多方面 問題 我們 對 他 可能 也 只是 部分 理解mike@local:~/src/kaldi/egs/cvte/s5/exp$

可以看到，識別效果還是相當好的，

缺點：
加載比較慢，導致整個識別程序比較慢

2、使用自定義腳本進行識別

具體如下：

mike@local:demo1$ pwd/home/mike/src/kaldi/egs/cvte/s5/demo1mike@local:demo1$ cat run.sh#! /bin/bashcd /home/mike/src/kaldi/egs/cvte/s5. ./cmd.sh. ./path.shdemo1/nnet3-latgen-faster --frame-subsampling-factor=3 --frames-per-chunk=50 --extra-left-context=0 --extra-right-context=0 --extra-left-context-initial=-1 --extra-right-context-final=-1 --minimize=false --max-active=7000 --min-active=200 --beam=15.0 --lattice-beam=8.0 --acoustic-scale=1.0 --allow-partial=true --word-symbol-table=exp/chain/tdnn/graph/words.txt exp/chain/tdnn/final.mdl exp/chain/tdnn/graph/HCLG.fst "ark,s,cs:apply-cmvn --norm-means=true --norm-vars=false --utt2spk=ark:data/fbank/test/utt2spk scp:data/fbank/test/cmvn.scp scp:data/fbank/test/feats.scp ark:- |" "ark:|lattice-scale --acoustic-scale=10.0 ark:- ark:- | gzip -c >exp/chain/tdnn/decode_test/lat.1.gz"mike@local:demo1$mike@local:demo1$ cat update.sh#!/bin/bashcd /home/mike/src/kaldi/egs/cvte/s5. ./cmd.sh. ./path.sh# step 1: generate fbank featuresobj_dir=data/fbankfor x in test; do  # rm fbank/$x  mkdir -p fbank/$x  # compute fbank without pitch  steps/make_fbank.sh --nj 1 --cmd "run.pl" $obj_dir/$x exp/make_fbank/$x fbank/$x || exit 1;  # compute cmvn  steps/compute_cmvn_stats.sh $obj_dir/$x exp/fbank_cmvn/$x fbank/$x || exit 1;donemike@local:demo1$

需要修改 nnet3-latgen-faster.cc 檔案，代碼路徑：/home/mike/src/kaldi/src/nnet3bin/nnet3-latgen-faster.cc

主要是這個呼叫比較慢：

fst::ReadFstKaldiGeneric(fst_in_str)

加載后連續識別即可，修改后的測驗代碼：

  KALDI_LOG << "before load model :"<<time(NULL);  // Input FST is just one FST, not a table of FSTs.  Fst<StdArc> *decode_fst = fst::ReadFstKaldiGeneric(fst_in_str);  KALDI_LOG << "load model ok :"<<time(NULL);  timer.Reset();  int i = 0;  while(1){    clock_t start, finish;    start = clock();    i = i+1;    system("bash /home/mike/src/kaldi/egs/cvte/s5/demo1/update.sh  >/dev/null 2>&1 &");    KALDI_LOG << "decode i = "<<i<<",timestamp :"<<time(NULL);    LatticeFasterDecoder decoder(*decode_fst, config);    SequentialBaseFloatMatrixReader feature_reader(feature_rspecifier);    for (; !feature_reader.Done(); feature_reader.Next()) {      std::string utt = feature_reader.Key();      const Matrix<BaseFloat> &features (feature_reader.Value());      if (features.NumRows() == 0) {        KALDI_WARN << "Zero-length utterance: " << utt;        num_fail++;        continue;      }      const Matrix<BaseFloat> *online_ivectors = NULL;      const Vector<BaseFloat> *ivector = NULL;      if (!ivector_rspecifier.empty()) {        if (!ivector_reader.HasKey(utt)) {          KALDI_WARN << "No iVector available for utterance " << utt;          num_fail++;          continue;        } else {          ivector = &ivector_reader.Value(utt);        }      }      if (!online_ivector_rspecifier.empty()) {        if (!online_ivector_reader.HasKey(utt)) {          KALDI_WARN << "No online iVector available for utterance " << utt;          num_fail++;          continue;        } else {          online_ivectors = &online_ivector_reader.Value(utt);        }      }      DecodableAmNnetSimple nnet_decodable(          decodable_opts, trans_model, am_nnet,          features, ivector, online_ivectors,          online_ivector_period, &compiler);      double like;      if (DecodeUtteranceLatticeFaster(              decoder, nnet_decodable, trans_model, word_syms, utt,              decodable_opts.acoustic_scale, determinize, allow_partial,              &alignment_writer, &words_writer, &compact_lattice_writer,              &lattice_writer,              &like)) {        tot_like += like;        frame_count += nnet_decodable.NumFramesReady();        num_success++;      } else num_fail++;    }    finish = clock();    KALDI_LOG << "decode i = "<<i<<",timestamp :"<<time(NULL)<<",diff :"<<(double)(finish - start) / CLOCKS_PER_SEC <<"s";    printf("preess Enter to continue");    getchar();  }

測驗效果：

LOG (nnet3-latgen-faster[5.5.421~1453-85d1a]:main():nnet3-latgen-faster.cc:202) decode i = 1,timestamp :1567735067,diff :0.817448spreess Enter to continueLOG (nnet3-latgen-faster[5.5.421~1453-85d1a]:main():nnet3-latgen-faster.cc:151) decode i = 2,timestamp :1567735237apply-cmvn --norm-means=true --norm-vars=false --utt2spk=ark:data/fbank/test/utt2spk scp:data/fbank/test/cmvn.scp scp:data/fbank/test/feats.scp ark:-LOG (apply-cmvn[5.5.421~1453-85d1a]:main():apply-cmvn.cc:162) Applied cepstral mean normalization to 1 utterances, errors on 0CVTE201703_00030_165722_11750 自然語言 理解 和 生成 是 一個 多方面 問題 我們 對 他 可能 也 只是 部分 理解LOG (nnet3-latgen-faster[5.5.421~1453-85d1a]:DecodeUtteranceLatticeFaster():decoder-wrappers.cc:289) Log-like per frame for utterance CVTE201703_00030_165722_11750 is 2.32415 over 242 frames.LOG (nnet3-latgen-faster[5.5.421~1453-85d1a]:main():nnet3-latgen-faster.cc:202) decode i = 2,timestamp :1567735238,diff :0.845735spreess Enter to continue

可以看到，識別效果還是相當好的，
當然，這個只是測驗，替換檔案后，直接按回車進行識別，能達到預期效果，如果需要在實際專案中使用，上述代碼做的遠遠不夠，

本文中涉及訓練資料及測驗示例地址：https://pan.baidu.com/s/1jyeWkZvU8ZjLt4Y9y9B89g

可關注微信公眾號后回復 19102601 獲取提取碼，

本文github地址：

https://github.com/mike-zhang/mikeBlogEssays/blob/master/2019/20191026_kaldi使用cvte模型進行語音識別.rst

標籤：其他

上一篇：一篇文章徹底搞懂snowflake演算法及百度美團的最佳實踐

下一篇：Gstreamer基礎教程10 - Streaming