[转] 如何用kaldi训练好的模型做特定任务的在线识别

转自：http://blog.csdn.net/inger_h/article/details/52789339

在已经训练好模型的情况下，需要针对一个新任务做在线识别应该怎么做呢？

一种情况是，用已有的声学模型和新训练的语言模型。

语言模型可以同srilm等工具训练，但是怎样将语言模型与DNN声学模型结合一起来进行识别的。

SRILM可以用来训练ARPA格式的LM，假设train.txt是语料，wordlist是词汇，假设语言模型的字典和识别器的字典一样，可以按如下办法训练ＬＭ

ngram-count -text train.txt -order 3 -limit-vocab -vocab wordlist -unk 
  -map-unk "<unk>" -kndiscount -interpolate -lm srilm.o3g.kn.gz

然后通过下面的命令将ARPA格式的LM转化成WFST格式

mkdir -p $lang_own
cp -r $lang/* $lang_own
gunzip -c $lm | utils/find_arpa_oovs.pl $lang_own/words.txt 
  > $lang_own_tmp/oovs.txt || exit 1
gunzip -c $lm | 
  grep -v '<s> <s>' | 
  grep -v '</s> <s>' | 
  grep -v '</s> </s>' | 
  arpa2fst - | fstprint | 
  utils/remove_oovs.pl $lang_own_tmp/oovs.txt | 
  utils/eps2disambig.pl | utils/s2eps.pl | 
  fstcompile --isymbols=$lang_own/words.txt --osymbols=$lang_own/words.txt  
  --keep_isymbols=false --keep_osymbols=false | 
  fstrmepsilon | fstarcsort --sort_type=ilabel > $lang_own/G.fst
utils/validate_lang.pl --skip-determinization-check $lang_own || exit 1;

最后生成新的语言模型在graph_own_dir

graph_own_dir=$model_dir/graph_own
utils/mkgraph.sh $lang_own $model_dir $graph_own_dir || exit 1;

 

第二种情况是，利用一个新的字典和已有的声学模型

这种情况也比较多，例如用户想改变字典，新增词汇。首先要修改lexicon,例如通过新增加单词到原来的lexicon。如果不知道新单词对应的pronounciation, 可以通过工具grapheme-to-phoneme G2P转化自动生成lexicon .常见的G2P工具有Sequitur and Phonetisaurus。利用新的lexicon可以创建新的lang目录

utils/prepare_lang.sh 
  --phone-symbol-table $lang/phones.txt 
  $dict_own "<SPOKEN_NOISE>" $lang_own_tmp $lang_own

新生成的lang就会在lang_own目录下。--phone-symbol-table选项十分重要，它保证了新lexicon里面的音素和原来识别器里面的音素是对应的。最后再生成语言模型。

graph_own_dir=$model_dir/graph_own
utils/mkgraph.sh $lang_own $model_dir $graph_own_dir || exit 1;

第三种情况是，字典语料都不同，语言模型也重新训练。这个时候从准备字典开始就要重新做。

./local/general_prep_dict.sh ./tv

utils/prepare_lang.sh --phone-symbol-table data/lang/phones.txt tv3/dict/ "<UNK>" tv3/local/lang tv3/lang

local/general_train_lm.sh tv

local/general format_data.sh tv

utils/mkgraph.sh tv/lang_dev/ exp/tri3b_dnn_2048x5/ tv/graph

注意： 有可能在prepare_lang的时候可能会出错，这是因为准备字典时生成的lexicon.txt, non_silence_phone.txt,extra_questions.txt里面有可能会含有原来声学模型训练时没有的因子，必须要保持两者一致。

 

Checking tv4/dict/extra_questions.txt ...
--> reading tv4/dict/extra_questions.txt
--> ERROR: phone "X5" is not in {, non}silence.txt (line 120, block 17)
--> ERROR validating dictionary directory tv4/dict (see detailed error messages above)

Checking tv3/dict/extra_questions.txt ...
--> reading tv3/dict/extra_questions.txt
--> tv3/dict/extra_questions.txt is OK
--> SUCCESS [validating dictionary directory tv3/dict]

Phone appears in the lexicon but not in the provided phones.txt: X5