语音识别：在Kaldi上使用CVTE模型-已训练好的开源中文ASR模型

语音识别：在Kaldi上使用CVTE模型-已训练好的开源中文ASR模型

在前一篇文章中，我把Kaldi安装并编译了。相当于把利用Kaldi做语音识别的基本运行环境布置好了。这一篇文章记录我用CVTE开源的kaldi模型来进行语音识别模型的建立和使用。
友情提醒：最终我在虚拟机Ubuntu64上跑了一下，分配了8核CPU（主机是10代i7）、13.3GB内存，还是在最后一步因为内存不够被kill掉，建议配置不够好（据说是内存需要大于等于64G）的可以撤了，如果你还是有兴趣尝试的话，可以继续参考本文尝试。

一、CVTE模型简介及下载

CVTE Mandarin Model
Mandarin TDNN chain models trained on commercial data. The V1 model is deprecated; it is missing files needed to work with the current version of Kaldi. We recommended that you use the V2 model.
官方的介绍是说V1模型已经废弃，建议使用V2模型。本文中使用的就是V2模型。

下载地址：http://kaldi-asr.org/models/m2

将下载后的模型解压到kaldi目录中的egs，即egs/cvte，要保证文件kaldi/egs/cvte/s5的存在。

二、离线识别测试

先准备需要测试的语音文件，格式要求16-bit位深，采样率16000Hz，单声道，wav格式(可以采用adobe audition软件录制)，文件详细要求（可能是用sox工具来转换的）：

$ sox --info data/wav/chat001/001.wav

Input File     : 'data/wav/chat001/001.wav'
Channels       : 1
Sample Rate    : 16000
Precision      : 16-bit
Duration       : 00:00:06.25 = 100000 samples ~ 468.75 CDDA sectors
File Size      : 200k
Bit Rate       : 256k
Sample Encoding: 16-bit Signed Integer PCM

上式参考：https://blog.csdn.net/samurais/article/details/107733688

也可以利用ffmpeg实现语音格式转换的过程，可以参考我的另一篇文章：利用ffmpeg工具实现音频格式转换。

将测试语音文件.wav文件放置在/egs/cvte/s5/data/wav/00030/下。这里由于还没有语音格式转换的工具，先用thchs30数据集中的wav文件暂时代替一下，测试用。

将egs/wsj/s5中的steps和utils拷贝到egs/cvte/s5目录下

然后在Teminal中cd到egs/cvte/s5的目录中

执行指令：

./run.sh

会出现错误:
Error!Both of the two phones-symbol tables are absent.
Please check your command

这个ERROR的出现，原因是CVTE作者没有提供phones.txt, 不影响结果，忽略就好了。

这里需要自行打开utils/lang/check_phones_compatible.sh，将其中if语句中的 exit 1注释掉即可。

继续运行不知道为什么等了很久没有反应。。

若出现找不到score.sh，建立软连接即可

ln -s /home/keep/Keep/kaldi-master/egs/hkust/s5/local /home/keep/Keep/kaldi-master/egs/cvte/s5/local

回到egs/cvte/s5目录下，./run.sh即可。

我运行了一次，结果进程被kill掉了，尝试给虚拟机分配更多cpu和内存再试试。

若运行成功，结果在/../kaldi/egs/cvte/s5/exp/chain/tdnn/decode_test/scoring_kaldi文件夹下可找到

还没有完全成功，等我去搞下虚拟机再来补充。

重新分配了一下8核+13.3GB内存仍然跑不起来，看了其他人的博客，说是>=64G内存才能加载模型，散了散了。如果有人在16G环境下能跑通最后一步，欢迎评论区指正！

感谢：

1. kaldi使用cvte模型进行语音识别
2. kaldi运行cvte开源chain模型