kaldi 简介：

kaldi 是到目前为止，一款非常优秀的语音识别开源建模软件。顺带一下八卦，其作者，Dan Povey 也是来到了中国发展。
kaldi 是一个建模工具，而建出来什么样的模型，完全依赖于个人。kaldi 的底层是基于 C，用户可以通过钓调用各种样例脚本进行建模。因为是开源的，所以高级玩法是可以自己修改代码编译。初级玩法是调用现有脚本进行编译。这里说的，只是初级玩法。
这里参考github上的 https://github.com/kaldi-asr/kaldi，来说明。

kaldi 建模流程概述：

1.了解脚本位置

kaldi 里面建模一般是在 egs 目录下新建自己的项目，而后在里面新建 s5，而后将其相关脚本从其他项目的 s5 中拷贝到此目录下，进行修改，如从 cp -r kaldi/egs/wsj/s5 egs/test/ 拷贝之后，删除部分不相关数据，如 data， exp，mfcc 中的数据，只保留空文件夹。kaldi/egs/wsj/s5里面比较干净，所以只要新建这三个文件夹即可。其中data里面是待建模数据，exp里面是建模后的模型，mfcc是中间提取的特征。conf里面是配置参数。

2.音频数据准备

在data目录下面，一般是新建 train 和 test 两个文件夹，里面放的分别是建模训练数据和测试数据。其实，里面只要放数据目录和标记文本就好了。这两个文件夹里面放的数据的格式是一模一样的。下面以 train 为例。
train 要准备的是以下几个文件， wav.scp、utt2spk、text、segments、spk2utt、(utt2lang, utt2gender … )。括号里面的根据具体情况而定，前五个一般都需要。

wav.scp

里面的格式是：
音频名称 该音频对应路径
eg：
01.wav /a/b/c/01.wav

需要注意的是这里的左边一列音频名称 ID 必须唯一
此外，对应的该音频路径下的音频需要与conf配置参数一致，如采样率，否则会报错不匹配。

utt2spk

里面的格式是：
音频片段 对应音频片段+说话人ID
eg：
01.wav-1 01.wav-1-1
01.wav-2 01.wav-2-1
01.wav-3 01.wav-3-2

text

里面的格式是：
音频片段 音频标记文本
eg：
01.wav-1 昨天晚上下雪了
01.wav-2 我们去故宫玩吧
01.wav-3 好啊

segments

里面的格式是：
音频片段 音频名称 （时间节点等）
eg：
01.wav-1 01.wav 0.001 3.151
01.wav-2 01.wav 3.501 6.985
01.wav-3 01.wav 7.218 7.832

spk2utt

里面的格式是：
音频片段+说话人ID 对应音频片段
也就是 utt2spk 的相反

其他

如果说音频已经做过vad并切成片段，那么segments前两列写成一样即可。如果音频是长语音，那么segments中需要有时间节点。
产生这几个准备文件的脚本需要自己写，因为数据形式命名方式各不相同，所以就不详细写具体内容了。一般来说，音频名称就是存储的音频名字，音频片段是音频名字后面加上起止时间节点。

3.发音词典准备

发音词典是模型的核心，模型好坏取决于发音词典。建好的发音词典放置于与 s5/local/dict/lexicon.txt，
分成两列，如，拼音 音素
而后可用 s5/local 内的脚本（前人积累的脚本一般都在这里面了），在data/local/内生成相应文件。
生成的文件，主要包括 nonsilence_phones.txt silence_phones.txt

nonsilence_phones.txt

内包 lexicon.txt 中，除 sil 的全部内容

silence_phones.txt

内包 lexicon.txt 中，只有 sil 的内容

4.训练

根据想要的训练过程，选择对应的脚本进行训练即可。

小结

使用 kaldi 在于两点，一个是准备数据，另一个是熟悉脚本语音。实际操作中，因为数据和脚本不匹配的情况肯定会发生，根据真实情况，报错信息，修改相应脚本，才能使其能正常运行。在 kaldi/egs/wsj/s5 中，可以从先熟悉 run.sh 中开始，而后结合本文所述，了解其调用功能。