本文深入探讨Kaldi的架构，包括特征抽取模块（MFCC、CMVN、I-Vectors）和模型组件（声学模型、语言模型）。Kaldi的声学模型基于深度神经网络，而语言模型则生成解码图，用于从音素到词序列的转换。Kaldi的训练过程涉及数据集、字典和多种训练步骤，如对齐和模型创建，常用训练食谱如WSJ。
该篇翻译自How to start with Kaldi and Speech Recognition
Kaldi架构
Kaldi主要分为两个主要部分：分别是特征抽取、识别模型
特征抽取模块
大多数处理音频数据的模型都会需要对音频进行特征的抽取，用以达到以下两个目的：
- 识别人类语音的声音
- 丢弃任何不必要的噪音。
今天在行业，广泛使用MFCC：
在Kaldi中，还使用了额外的两种特征：
- CMVN：用于更好的对MFCC特征进行归一化
- I-Vectors：用于声纹识别，将说话人的特征从音频信息中单独提取出来，让音频特征更“纯粹”
最低0.47元/天 解锁文章
扫一扫
670
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
