使用kaldi+清华大学开源语料数据集thchs30训练语音识别模型

使用kaldi训练清华大学开源语料数据集thchs30

1.下载kaldi

命令: git clone https://github.com/kaldi-asr/kaldi.git
安装过程就不细表了。

2.下载thchs30数据集
下载地址：http://www.openslr.org/18/
thchs30是一个开源的30小时中文数据集。

如上下载三个文件，时间较长。。。。
thchs30数据集共包括25小时的语音训练数据，2分14秒的开发数据和6分15秒的测试数据。
下载完成后解压数据即可。

准备完成数据之后进入kaldi目录的egs/thchs30/s5目录，修改目录下的cmd.sh：
将如下内容：
export train_cmd=queue.pl
export decode_cmd=“queue.pl --mem 4G”
export mkgraph_cmd=“queue.pl --mem 8G”
export cuda_cmd=“queue.pl --gpu 1”

修改为：
export train_cmd=run.pl
export decode_cmd=“run.pl --mem 4G”
export mkgraph_cmd=“run.pl --mem 8G”
export cuda_cmd=“run.pl --gpu 1”

queue.pl为多机训练，如果您是多机训练可以不用修改，单机训练需修改为run.pl。

之后修改同目录下的run.sh

n=8设置为同时工作任务数，当前为8并行任务数。

thchs=/nfs/public/materials/data/thchs30-openslr 为thchs30数据集路径，设置为你刚刚下载好的thchs30数据集解压的目录。

好了接下来可以开始训练了，我使用的单张1080Ti显卡，训练大概需要3天，根据配置而异。
训练完毕之后会在s5目录下生成一个exp文件夹，存放着训练好的模型。

将训练后的模型进行测试大概能达到60%的识别率，因测试数据而异。
如需更高的精度，可以加大数据量。

链接:https://pan.baidu.com/s/1SZcqijyn_wsnCHuxEPCeJw 密码:3719