博客主体内容转载自：https://blog.csdn.net/by21010/article/details/49072699

 

在进行kaldi安装之前我们需要先做一些准备

1、虚拟机性能配置

内存至少4G（最好给个五六G，4G的话在编译的时候还是很有可能会出现长时间卡顿的现象，如果你的电脑只有4G内存，那就只能买个内存条了）

处理器建议给四个，编译速度比较快，差不多半个多小时吧（我一开始只给一个处理器，编译了近一个半小时还没结束。。。）

硬盘至少30G（编译完所有文件差不多会有21G，第一次只给20G的硬盘，编译到后面被强制停止了。而且最好在虚拟机创建的时候就多给点磁盘空间。不要等到不够用了再去扩展。扩展虚拟机磁盘容量很多坑，导致我搞坏了一个虚拟机。。。）

2、更换下载源——提高下载速度

https://blog.csdn.net/zhangjiahao14/article/details/80554616

 

Kaldi是一款基于C++编写的开源语音识别工具箱。这款工具既可以在Windows下编译也可以在Linux下编译。不过听学姐说以后还是在Linux下做开发多一些，我就想干脆顺便把Linux环境熟悉熟悉，于是就安了个虚拟机装上了Ubuntu。文档里面也说还是建议在Linux下使用Kaldi。好久没用过Linux了，也不习惯在命令行下操作，编译Kaldi还真是费了我一番功夫。下面把过程记录一下。

一、下载

下载直接利用git版本控制系统就可以了,打开终端，直接在你的实验目录下输入命令：

git clone https://github.com/kaldi-asr/kaldi.git kaldi-trunk --origin golden

• 不一会就从github上下载下来了。当然，首先得确保你安装了git。要是没安装的话，就先输入：

sudo apt-get install git

• 安装git版本控制软件。

二、各目录功能

下载完毕以后，cd kaldi-trunk进去看看下载了一些什么东西。

其中，./tools，./src和./egs这三个目录是比较重要的。

./tools目录下面全部都是Kaldi依赖的包。其中主要有：

1. OpenFST：Weighted Finite State Transducer library，是一个用来构造有限状态自动机的库。我们知道隐马尔科夫模型就可以看成是一个有限状态自动机的。这是最终要的一个包，Kaldi的文档里面说：If you ever want to understand Kaldi deeply you will need to understand OpenFst.诶，要学的好多。
2. ATLAS：这是一个C++下的线性代数库。做机器学习自然是需要很多矩阵运算的。
3. IRSTLM:这是一个统计语言模型的工具包。
4. sph2pipe:这是宾夕法尼亚大学linguistic data consortium（LDC）开发的一款处理SPHERE_formatted数字音频文件的软件，它可以将LDC的sph格式的文件转换成其它格式。

./src目录存放的是Kaldi的源代码。./egs存放的是Kaldi提供的一些例子。我们现在要做的就是编译安装Kaldi依赖的各种库，然后编译安装Kaldi。

三、Kaldi的编译

安装之前需要确保你安装了这些软件

apt-get
subversion
automake
autoconf
libtool
g++
zlib
libatal
wget

Ubuntu里面都有，所以直接开始安装。
首先安装依赖包。在./tool目录下输入make，开始编译，输入make -j 4命令可以加快速度（多核并行处理）。
之后切换到./src目录下，输入./configure进行配置，然后输入make depend，完成之后输入make进行编译。当然这个过程也可以并行处理加速，输入make -j 4。经过漫长的编译过程以后，就安装完毕了。

四、运行一个例子

Kaldi自带的例子都放在./egs目录下。

其中最简单的就是yesno这个例子了。这是一个非常小的数据集，每一条记录都是一系列yes或者no的语音，标注是由文件名来标注的。先运行一下。切换到./egs/yesno/s5目录下，运行sudo ./run.sh命令。

经过一段时间的训练和测试，可以看到运行结果。

WER为0.00。看来这个例子识别的还是挺准的。

PS:WER（Word Error Rate）是字错误率，是一个衡量语音识别系统的准确程度的度量。其计算公式是WER=(I+D+S)/N

，其中I代表被插入的单词个数，D代表被删除的单词个数，S代表被替换的单词个数。也就是说把识别出来的结果中，多认的，少认的，认错的全都加起来，除以总单词数。这个数字当然是越低越好。

下面进入./waves_yesno目录瞧一瞧。

全部都是.wav格式的音频文件。可以打开一个文件听一听，发现是一个老男人连续不停地说yes或者no，每个文件说8次。文件名中，0代表那个位置说的是no，1代表说的是yes。这个实验没有单独的标注文件，直接采用的是文件名来标注的。