一、 使用平台
Windows XP、VMware workstation+ Ubuntu10.10
(1) Soundrecorder 测试下能否使用
(2) sudo apt-get install libasound2-dev
二、 CMUSphinx语音识别工具包
Pocketsphinx — 用C语言编写的轻量级识别库
Sphinxbase — Pocketsphinx所需要的支持库
Sphinx3 — 为语音识别研究用C语言编写的解码器
Sphinxtrain — 声学模型训练工具
下载网址：http://sourceforge.net/projects/cmusphinx/files/
以上对应所使用的版本如下：
pocketsphinx-0.6.1（pocketsphinx_0.6.1-1.tar.gz）
sphinxbase-0.6.1（sphinxbase-0.6.1.tar.gz）
sphinx3-0.8（sphinx3-0.8.tar.bz2）
cmuclmtk（cmusphinx-cmuclmtk.tar.gz）
SphinxTrain-1.0（SphinxTrain-1.0.tar.bz2）
三、 安装pocketsphinx
由于pocketsphinx依赖于另外一个库Sphinxbase,所以先需要安装Sphinxbase。
(1)安装Sphinxbase
tar xzf sphinxbase-0.6.1.tar.gz
cd sphinxbase-0.6
./configure
make
sudo make install
默认安装在/usr/local/bin下面，ls可查看。
(2)安装pocketsphinx
export LD_LIBRARY_PATH=/usr/local/lib
export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig
cd pocketsphinx-0.6.1
./configure
make
sudo make install
完成安装,在/usr/local/bin下面可以看到三个新生成的文件，
cd /usr/local/bin
ls
pocketsphinx_batch
pocketsphinx_continuous
pocketsphinx_mdef_convert
测试下安装结果
pocketsphinx_continuous
若出现如下信息，说明安装成功。
INFO: cmd_ln.c(512): Parsing command line:
pocketsphinx_continuous
Current configuration:
[NAME] [DEFLT] [VALUE]
-adcdev
-agc none none
-agcthresh 2.0 2.000000e+00
-alpha 0.97 9.700000e-01
-argfile
-ascale 20.0 2.000000e+01
-backtrace no no
-beam 1e-48 1.000000e-48
-bestpath yes yes
-bestpathlw 9.5 9.500000e+00
-bghist no no
-ceplen 13 13
-cmn current current
-cmninit 8.0 8.0
………………………………….
…………………………………
………………………………….
INFO: ngram_search_fwdtree.c(333): after: 457 root, 13300 non-root channels, 26 single-phone words
INFO: ngram_search_fwdflat.c(153): fwdflat: min_ef_width = 4, max_sf_win = 25
Warning: Could not find Mic element
INFO: continuous.c(261): pocketsphinx_continuous COMPILED ON: Feb 21 2011, AT: 22:31:47
READY....
四、 建立一个简单的语言模型
(1)创建一个语料库
vi corpus.txt
输入如下内容：
stop
forward
backward
turn right
turn left
保存退出
(2)利用在线工具LMTool建立语言模型
进入网址：http://www.speech.cs.cmu.edu/tools/lmtool.html
点击Browse按钮,选择之前创建的corpus.txt, 最后点击COMPILE KNOWLEDGE BASE 。
生成TAR2916.tar.gz
tar xzf TAR2916.tar.gz
2916.corpus 2916.lm 2916.sent.arpabo 2916.vocab
2916.dic 2916.sent 2916.token
真正有用的是.dic、.lm 的文件
(3)测试结果
pocketsphinx_continuous -lm 2916.lm -dict 2916.dic
INFO: ngram_search_fwdflat.c(295): Utterance vocabulary contains 1 words
INFO: ngram_search_fwdflat.c(912): 97 words recognized (2/fr)
INFO: ngram_search_fwdflat.c(914): 2342 senones evaluated (38/fr)
INFO: ngram_search_fwdflat.c(916): 1011 channels searched (16/fr)
INFO: ngram_search_fwdflat.c(918): 167 words searched (2/fr)
INFO: ngram_search_fwdflat.c(920): 47 word transitions (0/fr)
WARNING: "ngram_search.c", line 1087: </s> not found in last frame, using <sil> instead
INFO: ngram_search.c(1137): lattice start node <s>.0 end node <sil>.56
INFO: ps_lattice.c(1228): Normalizer P(O) = alpha(<sil>:56:60) = -341653
INFO: ps_lattice.c(1266): Joint P(O,S) = -341653 P(S|O) = 0
000000000: STOP (-6531224)
READY....
Listening...
Stopped listening, please wait...
INFO: cmn_prior.c(121): cmn_prior_update: from < 37.45 -1.28 -0.16 -0.71 0.19 -0.19 -0.07 0.34 0.13 -0.07 -0.03 -0.42 0.19 >
INFO: cmn_prior.c(139): cmn_prior_update: to < 42.22 -0.51 -0.35 -0.28 -0.24 -0.37 0.02 0.38 0.03 -0.05 0.10 -0.32 0.05 >
INFO: ngram_search_fwdtree.c(1513): 847 words recognized (9/fr)
INFO: ngram_search_fwdtree.c(1515): 11452 senones evaluated (123/fr)
INFO: ngram_search_fwdtree.c(1517): 4963 channels searched (53/fr), 534 1st, 3470 last
INFO: ngram_search_fwdtree.c(1521): 1094 words for which last channels evaluated (11/fr)
INFO: ngram_search_fwdtree.c(1524): 203 candidate words for entering last phone (2/fr)
INFO: ngram_search_fwdflat.c(295): Utterance vocabulary contains 2 words
INFO: ngram_search_fwdflat.c(912): 225 words recognized (2/fr)
INFO: ngram_search_fwdflat.c(914): 10189 senones evaluated (110/fr)
INFO: ngram_search_fwdflat.c(916): 5206 channels searched (55/fr)
INFO: ngram_search_fwdflat.c(918): 329 words searched (3/fr)
INFO: ngram_search_fwdflat.c(920): 164 word transitions (1/fr)
WARNING: "ngram_search.c", line 1087: </s> not found in last frame, using RIGHT instead
INFO: ngram_search.c(1137): lattice start node <s>.0 end node RIGHT.48
INFO: ps_lattice.c(1228): Normalizer P(O) = alpha(RIGHT:48:91) = -647142
INFO: ps_lattice.c(1266): Joint P(O,S) = -647271 P(S|O) = -129
000000001: TURN RIGHT (-12643528)
READY....
注意：此方法不可用于中文命令词建立语言模型
五、 利用现有的语言模型和声学模型
(1)下载Mandarin language and acoustic model
下载网址：http://sourceforge.net/projects/cmusphinx/files/Acoustic%20and%20Language%20Models/
Mandarin language model : zh_broadcastnews_64000_utf8.DMP、zh_broadcastnews_utf8.dic
Mandarin Broadcast News acoustic models : zh_broadcastnews_16k_ptm256_8000.tar.bz2
tar xjf zh_broadcastnews_16k_ptm256_8000.tar.bz2
cd zh_broadcastnews_16k_ptm256_8000
ls
feat.params means noisedict transition_matrices
mdef mixture_weights sendump variances
上面这些文件为声学模型中所拥有的文件。
把zh_broadcastnews_64000_utf8.DMP、zh_broadcastnews_utf8.dic、zh_broadcastnews_16k_ptm256_8000、pocketsphinx_continuous放在同一个目录下面，然后就可以使用模型了。
(2)测试结果
huang@ubuntu:/usr/local/bin$ pocketsphinx_continuous -hmm zh_broadcastnews_ptm256_8000 -lm zh_broadcastnews_64000_utf8.DMP -dict zh_broadcastnews_utf8.dic
-lowerf 133.33334 \
-upperf 6855.4976 \
-nfft 512 \
-wlen 0.0256 \
-transform legacy \
-feat s2_4x \
-agc none \
-cmn current \
-varnorm no
Current configuration:
[NAME] [DEFLT] [VALUE]
-agc none none
-agcthresh 2.0 2.000000e+00
-alpha 0.97 9.700000e-01
-ceplen 13 13
-cmn current current
-cmninit 8.0 8.0
-dither no no
-doublebw no no
-feat 1s_c_d_dd s2_4x
-frate 100 100
-input_endian little little
-lda
-ldadim 0 0
-lifter 0 0
-logspec no no
-lowerf 133.33334 1.333333e+02
-ncep 13 13
-nfft 512 512
-nfilt 40 40
-remove_dc no no
-round_filters yes yes
-samprate 16000 1.600000e+04
-seed -1 -1
-smoothspec no no
-svspec
-transform legacy legacy
-unit_area yes yes
-upperf 6855.4976 6.855498e+03
-varnorm no no
-verbose no no
-warp_params
-warp_type inverse_linear inverse_linear
-wlen 0.025625 2.560000e-02
…………………………….
…………………………….
……………………………
INFO: ngram_search_fwdtree.c(324): after: max nonroot chan increased to 75539
INFO: ngram_search_fwdtree.c(333): after: 461 root, 75411 non-root channels, 27 single-phone words
INFO: ngram_search_fwdflat.c(153): fwdflat: min_ef_width = 4, max_sf_win = 25
Warning: Could not find Mic element
INFO: continuous.c(261): pocketsphinx_continuous COMPILED ON: Feb 21 2011, AT: 22:31:47
READY....
Listening...
Stopped listening, please wait...
INFO: cmn_prior.c(121): cmn_prior_update: from < 8.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 >
INFO: cmn_prior.c(139): cmn_prior_update: to < 9.20 -0.17 -0.27 -0.29 -0.38 -0.05 -0.08 -0.15 -0.12 -0.15 0.13 -0.08 -0.07 >
INFO: ngram_search_fwdtree.c(1513): 2628 words recognized (45/fr)
INFO: ngram_search_fwdtree.c(1515): 228830 senones evaluated (3878/fr)
INFO: ngram_search_fwdtree.c(1517): 506870 channels searched (8591/fr), 25129 1st, 119738 last
INFO: ngram_search_fwdtree.c(1521): 7773 words for which last channels evaluated (131/fr)
INFO: ngram_search_fwdtree.c(1524): 146203 candidate words for entering last phone (2478/fr)
INFO: ngram_search_fwdflat.c(295): Utterance vocabulary contains 137 words
INFO: ngram_search_fwdflat.c(912): 1906 words recognized (32/fr)
INFO: ngram_search_fwdflat.c(914): 71680 senones evaluated (1215/fr)
INFO: ngram_search_fwdflat.c(916): 134571 channels searched (2280/fr)
INFO: ngram_search_fwdflat.c(918): 7855 words searched (133/fr)
INFO: ngram_search_fwdflat.c(920): 6388 word transitions (108/fr)
WARNING: "ngram_search.c", line 1087: </s> not found in last frame, using 啊 instead
INFO: ngram_search.c(1137): lattice start node <s>.0 end node 啊(4).21
INFO: ps_lattice.c(1228): Normalizer P(O) = alpha(啊(4):21:57) = -296641
INFO: ps_lattice.c(1266): Joint P(O,S) = -296641 P(S|O) = 0
000000000: 啊 (-4653851)
READY....
Listening...
Stopped listening, please wait...
INFO: cmn_prior.c(121): cmn_prior_update: from < 9.37 -0.27 -0.29 -0.06 -0.23 -0.13 -0.09 -0.15 -0.08 -0.15 -0.02 -0.07 -0.10 >
INFO: cmn_prior.c(139): cmn_prior_update: to < 9.31 -0.25 -0.37 -0.08 -0.22 -0.14 -0.08 -0.11 -0.05 -0.13 -0.02 -0.10 -0.12 >
INFO: ngram_search_fwdtree.c(1513): 2368 words recognized (38/fr)
INFO: ngram_search_fwdtree.c(1515): 251689 senones evaluated (4059/fr)
INFO: ngram_search_fwdtree.c(1517): 499391 channels searched (8054/fr), 26703 1st, 127525 last
INFO: ngram_search_fwdtree.c(1521): 7782 words for which last channels evaluated (125/fr)
INFO: ngram_search_fwdtree.c(1524): 181902 candidate words for entering last phone (2933/fr)
INFO: ngram_search_fwdflat.c(295): Utterance vocabulary contains 106 words
INFO: ngram_search_fwdflat.c(912): 1960 words recognized (32/fr)
INFO: ngram_search_fwdflat.c(914): 40695 senones evaluated (656/fr)
INFO: ngram_search_fwdflat.c(916): 107699 channels searched (1737/fr)
INFO: ngram_search_fwdflat.c(918): 6493 words searched (104/fr)
INFO: ngram_search_fwdflat.c(920): 5071 word transitions (81/fr)
INFO: ngram_search.c(1137): lattice start node <s>.0 end node </s>.50
INFO: ps_lattice.c(1228): Normalizer P(O) = alpha(</s>:50:60) = -190357
INFO: ps_lattice.c(1266): Joint P(O,S) = -206492 P(S|O) = -16135
000000002: 二 (-3082778)
READY....
Listening...
Stopped listening, please wait...
INFO: cmn_prior.c(121): cmn_prior_update: from < 9.31 -0.25 -0.37 -0.08 -0.22 -0.14 -0.08 -0.11 -0.05 -0.13 -0.02 -0.10 -0.12 >
INFO: cmn_prior.c(139): cmn_prior_update: to < 9.26 -0.29 -0.28 0.11 -0.18 -0.16 -0.05 -0.16 -0.04 -0.19 -0.05 -0.10 -0.14 >
INFO: ngram_search_fwdtree.c(1513): 1595 words recognized (18/fr)
INFO: ngram_search_fwdtree.c(1515): 302259 senones evaluated (3358/fr)
INFO: ngram_search_fwdtree.c(1517): 487518 channels searched (5416/fr), 37862 1st, 104395 last
INFO: ngram_search_fwdtree.c(1521): 5835 words for which last channels evaluated (64/fr)
INFO: ngram_search_fwdtree.c(1524): 197251 candidate words for entering last phone (2191/fr)
INFO: ngram_search_fwdflat.c(295): Utterance vocabulary contains 61 words
INFO: ngram_search_fwdflat.c(912): 1027 words recognized (11/fr)
INFO: ngram_search_fwdflat.c(914): 24680 senones evaluated (274/fr)
INFO: ngram_search_fwdflat.c(916): 65722 channels searched (730/fr)
INFO: ngram_search_fwdflat.c(918): 4251 words searched (47/fr)
INFO: ngram_search_fwdflat.c(920): 2861 word transitions (31/fr)
INFO: ngram_search.c(1137): lattice start node <s>.0 end node </s>.82
INFO: ps_lattice.c(1228): Normalizer P(O) = alpha(</s>:82:88) = -275522
INFO: ps_lattice.c(1266): Joint P(O,S) = -277262 P(S|O) = -1740
000000003: 一年 (-4414731)
READY....
Listening...
Stopped listening, please wait...
……………………………
…………………………..
……………………………
INFO: ngram_search_fwdflat.c(920): 6841 word transitions (73/fr)
INFO: ngram_search.c(1137): lattice start node <s>.0 end node </s>.85
INFO: ps_lattice.c(1228): Normalizer P(O) = alpha(</s>:85:91) = -261132
INFO: ps_lattice.c(1266): Joint P(O,S) = -278320 P(S|O) = -17188
000000008: 留念 (-3893136)
…………………..
…………………
……………………
INFO: ngram_search.c(1137): lattice start node <s>.0 end node </s>.99
INFO: ps_lattice.c(1228): Normalizer P(O) = alpha(</s>:99:105) = -305972
INFO: ps_lattice.c(1266): Joint P(O,S) = -325764 P(S|O) = -19792
000000010: 基 民 (-4532446)
…………………..
…………………..
…………………..
INFO: ngram_search_fwdflat.c(920): 5175 word transitions (46/fr)
INFO: ngram_search.c(1137): lattice start node <s>.0 end node </s>.102
INFO: ps_lattice.c(1228): Normalizer P(O) = alpha(</s>:102:110) = -283182
INFO: ps_lattice.c(1266): Joint P(O,S) = -283589 P(S|O) = -407
000000012: 一九 八九 (-4134767)
READY....
从以上识别结果可以看出，这普通话语音识别正确率比原来的英文语音识别正确率低了很多，这和我们的口音存在一定的关系，为了能有比较高的普通话语音识别率，最好自已生成语音模型与声学模型。