ubuntu16.04安装Kaldi+运行测试TIMIT
kaldi 安装
在Ubuntu 16.04系统上已成功完成NVIDIA CUDA 8.0版本的安装。建议访问官方文档Ubuntu 16.04+Asus Z170-GPU图形卡搭建TensorFlow-GPU以获取详细的安装说明。该文档全面介绍了CUDA 8.0版本的操作步骤与注意事项。通过使用NVIDIA CUDA平台能够显著提升深度神经网络（DNN）声学模型的训练与解码效率。下面将详细介绍Kaldi系统的安装流程，请注意以下几点：
- 环境配置
- 下载Kaldi安装包
- 编译Kaldi
- 运行测试
环境配置
确保kaldi编译过程依赖de工具包，并且需要先更新源代码库，请按照以下步骤输入相应的命令。
$ sudo apt-get install autoconf automake libtool subversion libatlas-dev libatlas-base-dev zlib1g-dev gawk git gfortran gcc g++在安装Ubuntu时末尾的两个编译器通常是预先配置好的。当安装Ubuntu 16.04时，默认情况下使用的gcc版本达到5.0以上，并支持通过Kaldi依赖构建一系列工具包：包括ATLAS、OpenFst、SCTK以及sph2pipe。
下载Kaldi安装包
已不再在Kashi 官方站点发布最新版本 因此建议访问GitHub 仓库下载kashi-master 压缩包 并进行本地解压 也可通过以下方式操作 比如运行相应的安装脚本
$ git clone https://github.com/kaldi-asr/kaldikaldi下有这样三个核心组件分别是src、tools和egs。其中src目录存储了Kaldi的所有源代码，并且其中包括MFCC、PLP特征提取、GMM、DNN（nnet）、HMM以及解码器等技术。在未编译状态下，默认情况下这些都是用于安装和编译工具包的脚本。egs目录则存储了大量的标准语音数据集以及相应的运行脚本
编译Kaldi
Kaldi每个文件中的INATALL文件都包含安装指南信息，并且按照指导步骤操作不会产生问题。
首先进入tools文件夹并运行完成的脚本以检查第一步环境配置是否正确
$ cd tools/
$ extras/check_dependencies.sh当遇到该行指示时，请启动编译tools文件夹的流程；若未遇到，则按照指示配置tools所需的必要组件。
extras/check_dependencies.sh: all OK.编译过程中会自动下载、安装、编译ATLAS, OpenFst, SCTK and sph2pipe。
$ sudo make该软件库集成了一系列线性代数运算功能，
而 OpenFst 则是一个专门处理有限状态自动机的应用程序包，
它主要用于实现音频文件格式转换。
经过测试发现，
ATLAS, SCTK 和 sph2pipe 通常能顺利完成安装，
然而 OpenFst 的安装过程可能会存在问题。
为了避免手动编译复杂程序 OpenFst 的情况，
可以直接进入 src 目录进行编译操作。
系统会自动生成检查指令来验证 OpenFst 是否成功编译。
如果遇到无法正常安装的情况无需过于担心，
因为 tools 目录中已经预装了 OpenFst 的二进制执行文件。
完成以上步骤后，
只需要运行相应的命令就可以顺利启动应用。
$ cd openfst-1.6.2
$ ./configure
$ sudo make
$ sudo make install- 所有编译流程运行缓慢；若机器配置为多核，则可采用make -j指令加快速度。
- 进行编译操作于src文件；
输入相应的命令以确认所有依赖工具包均已安装；一旦确认所有依赖工具包均已安装，则会生成相应的配置界面图示。
$ ./configure --shared Configuring ...
Backing up kaldi.mk to kaldi.mk.bak ...
Checking compiler g++ ...
Checking OpenFst library in /home/haoran/kaldi-master/tools/openfst ...
Doing OS specific configurations ...
On Linux: Checking for linear algebra header files ...
Using ATLAS as the linear algebra library.
Successfully configured for Debian/Ubuntu Linux [dynamic libraries] with ATLASLIBS =/usr/lib/libatlas.so.3 /usr/lib/libf77blas.so.3 /usr/lib/libcblas.so.3 /usr/lib/liblapack_atlas.so.3
Using CUDA toolkit /usr/local/cuda (nvcc compiler and runtime libraries)
Info: configuring Kaldi not to link with Speex (don't worry, it's only needed if you
intend to use 'compress-uncompress-speex', which is very unlikely)
SUCCESS
To compile: make clean -j; make depend -j; make -j
... or e.g. -j 10, instead of -j, to use a specified number of CPUs如果缺少某个工具包，则可以在tools目录下查找对应的工具包并进行手动编译。通过以上信息可以看出,Kaldi系统已自行检测确认硬件设备已安装了cuDNN库。接下来将开始编译src文件,预计耗时较长,请保持耐心。
$ sudo make depend
$ sudo make运行测试
该工具包在egs目录下提供了名为yesno的数据集，可被用来简便测试Kaldi是否安装成功。该数据集的具体应用包括：运行位于egs/yesno/s5/run.sh的运行脚本，并通过该脚本完成以下操作：下载所需数据集、训练单音节声学模型以及执行解码测试。
$ cd egs/yesno/s5
$ sudo ./run.sh如果编译成功，会看到最后一行测试结果显示：
%WER 0.00 [ 0 / 232, 0 ins, 0 del, 0 sub ] exp/mono0a/decode_test_yesno/wer_10安装irstlm（optional)
irstlm是一个语言模型工具包，并非所有公开可用的数据集都需要使用它。对于像TIMIT这样的特定项目来说，则需要使用到irstlm工具包。因此不妨自行安装一下吧！安装完成后，在HOME/.local/bin中运行./install_irstlm.sh即可完成安装操作。安装成功后，在指定目录下将会生成irstlim文件夹。需要注意的是，在timit例程中引用了位于tools目录中的irstlm工具，请将该目录移动至tools/文件夹下以便调用。与此同时，请将位于HOME/.local/bin/extras/env.sh的路径配置文件也复制至tools目录。
运行TIMIT
百度了一下TMIT语音库的介绍：
TIMIT全称The DARPA TIMIT Acoustic-Phonetic Continuous Speech Corpus, 是由德州仪器(TI)、麻省理工学院(MIT)和坦福研究院(SRI)合作构建的声学-音素连续语音语料库。TIMIT数据集的语音采样频率为16kHz，一共包含6300个句子，由来自美国八个主要方言地区的630个人每人说出给定的10个句子，所有的句子都在音素级别(phone level)上进行了手动分割，标记。
TIMIT语料库多年来已经成为语音识别社区的一个标准数据库，在今天仍被广为使用。其原因主要有两个方面：数据集中的每一个句子都在音素级别上进行了手动标记，同时提供了说话人的编号，性别，方言种类等多种信息；数据集相对来说比较小，可以在较短的时间内完成整个实验；同时又足以展现系统的性能。
这个语音库是否为开源项目？不得随意传播。我从实验室获取了这一资源也不便随意外传。
TIMIT数据集分为训练集和测试集两大类将训练集和测试集分别放置于/egs/timit/data目录下即可完成基本配置。
s5目录中包含三个核心脚本：cmd.sh、path.sh以及run.sh文件。
针对本地运行（不依赖集群）的情况修改cmd.sh脚本以实现基本的工作流程。
在home/egs/timit/s5目录中创建./config directory并复制以下内容到其中：
./config/speakers.conf中添加新条目
./configphones.conf中添加所需手机品牌信息
随后进入home/egs/timit/s5目录创建phonebook表并执行相关操作。
最后执行./bin/shell/s5 train命令启动训练过程。
# run it locally
export train_cmd=run.pl
export decode_cmd=run.pl
export cuda_cmd=run.pl
export mkgraph_cmd=run.pl然后path.sh用来定义各种工具包的路径。修改path.sh如下：
export KALDI_ROOT=`pwd`/../../..
[ -f $KALDI_ROOT/tools/env.sh ] && . $KALDI_ROOT/tools/env.sh
#export PATH=$PWD/utils/:$KALDI_ROOT/tools/openfst/bin:$KALDI_ROOT/tools/irstlm/bin/:$PWD:$PATH
export PATH=$PWD/utils/:$KALDI_ROOT/src/bin:$KALDI_ROOT/tools/openfst/bin:$KALDI_ROOT/tools/irstlm/bin/:$KALDI_ROOT/src/fstbin/:$KALDI_ROOT/src/gmmbin/:$KALDI_ROOT/src/featbin/:$KALDI_ROOT/src/lm/:$KALDI_ROOT/src/sgmmbin/:$KALDI_ROOT/src/sgmm2bin/:$KALDI_ROOT/src/fgmmbin/:$KALDI_ROOT/src/latbin/:$KALDI_ROOT/src/nnetbin:$KALDI_ROOT/src/nnet2bin/:$KALDI_ROOT/src/kwsbin:$PWD:$PATH
[ ! -f $KALDI_ROOT/tools/config/common_path.sh ] && echo >&2 "The standard file $KALDI_ROOT/tools/config/common_path.sh is not present -> Exit!" && exit 1
. $KALDI_ROOT/tools/config/common_path.sh
export LC_ALL=C
export IRSTLM=$KALDI_ROOT/tools/irstlm
export LD_LIBRARY_PATH=$KALDI_ROOT/tools/openfst/lib:$LD_LIBRARY_PATH最终版本run.py是一个包含多个阶段任务的完整脚本文件（如读取数据集、构建发音字典、特征提取以及声学模型训练等），其中声学模型训练过程涵盖了单音节模式识别、双音节模式识别以及三音节模式识别等多种类型（如SGMM2和DNN等）。此外该脚本还实现了语音解码功能，并最终输出各声学模型的识别准确率统计结果。
运行该脚本前需要确保TIMIT数据目录路径正确配置（必须提供绝对路径）。
timit=/home/XXX/kaldi-master/egs/timit/data # @local在我的版本库中，在run.sh脚本中涉及的SGMM2训练与解码过程未被注释掉导致该过程在此处立即终止，请各位小伙伴及时检查并修复该问题。
$ sudo ./run.sh在此处我选择了MonoPhone，并同时包括以下几种技术方案： tri1基于Deltas与Delta-Deltas的结合； tri2采用LDA与MLLT的融合； tri3则在LDA与MLLT的基础上加入了SAT；此外还包含了DNN Hybrid模型来进行测试
%WER 32.5 | 192 7215 | 70.3 19.4 10.3 2.7 32.5 100.0 | -0.254 | exp/mono/decode_test/score_6/ctm_39phn.filt.sys
%WER 25.9 | 192 7215 | 77.9 16.8 5.3 3.8 25.9 100.0 | -0.123 | exp/tri1/decode_test/score_10/ctm_39phn.filt.sys
%WER 24.0 | 192 7215 | 79.7 14.9 5.4 3.7 24.0 99.5 | -0.246 | exp/tri2/decode_test/score_10/ctm_39phn.filt.sys
%WER 21.4 | 192 7215 | 81.6 13.5 4.9 2.9 21.4 98.4 | -0.583 | exp/tri3/decode_test/score_10/ctm_39phn.filt.sys
%WER 23.6 | 192 7215 | 79.7 15.3 5.1 3.3 23.6 99.5 | -0.305 | exp/tri3/decode_test.si/score_9/ctm_39phn.filt.sys
%WER 18.4 | 192 7215 | 84.1 11.1 4.7 2.6 18.4 99.0 | -0.871 | exp/dnn4_pretrain-dbn_dnn/decode_test/score_5/ctm_39phn.filt.sys
%WER 18.4 | 192 7215 | 84.3 11.1 4.5 2.7 18.4 98.4 | -0.873 | exp/dnn4_pretrain-dbn_dnn_smbr/decode_test_it1/score_5/ctm_39phn.filt.sys
%WER 18.5 | 192 7215 | 84.3 11.4 4.4 2.8 18.5 99.0 | -0.509 | exp/dnn4_pretrain-dbn_dnn_smbr/decode_test_it6/score_7/ctm_39phn.filt.sys在有GPU加速的情况下，DNN模型训练一共花费了50min。
完成了Kaldi的安装以及TIMIT系统的测试。接下来的重点将是深入研究TIMIT运行脚本和训练过程中的源代码。如有兴趣的朋友可以留意我的博客更新。之前已经接触过语音识别技术的基础知识。而令我印象深刻的是通过将加权有限自动机与声学模型、发音词典及语言模型相结合的研究工作令人叹为观止。
参考文献
<> 和 <>