37、基于开源框架的自动语音识别系统训练案例研究

基于开源框架的自动语音识别系统训练案例研究

1. 引言

在自动语音识别（ASR）领域，使用开源框架训练高性能模型是当前研究和实践的热点。本文将围绕使用开源框架在Common Voice数据集上训练ASR系统展开，详细介绍相关技术和操作步骤。

2. 数据集：Common Voice

Common Voice是Mozilla发布的一个包含500小时语音的语料库，由众包参与者录制文本语音而成。每个示例是一个单独的语音片段，录制完成后会经过同行评审以评估转录 - 录音对的质量。根据每个语音片段获得的正负投票数量，其被标记为有效、无效或其他类别。
- 有效类别 ：至少经过两次评审，且多数确认音频与文本匹配的样本。
- 无效类别 ：同样至少经过两次评审，但多数确认音频与文本不匹配的样本。
- 其他类别 ：投票少于两次或没有多数共识的所有文件。

每个子组（有效和其他）又进一步分为训练集、测试集和验证集。其中，“cv - valid - train”数据集总共包含239.81小时的音频。该数据集具有复杂性，包含各种口音、录音环境、年龄和性别等因素。

3. 软件工具和库

• Kaldi ：是最广泛使用的ASR工具包之一，主要由约翰霍普金斯大学开发，专为研究人员和专业人士使用。它完全用C++构建，通过shell脚本将库的各个组件连接起来。其设计注重提供一个灵活的工具包，可以根据任务进行修改和扩展。通过一系列称为“recipes”的脚本连接组件来执行训练和推理。