ASR实验及记录

DeepSpeech2

DeepSpeech2是一个采用PaddlePaddle平台的端到端自动语音识别引擎的开源项目，具体原理参考论文Baidu’s Deep Speech 2 paper。

环境配置

使用官方镜像，运行失败。原因：PaddlePaddle版本不匹配，缺少RNN模块等关键组件；尝试进行修改后发现CUDNN版本也不匹配；
使用带有正确版本CUDA与CUDNN的镜像，手动安装PaddlePaddle，安装成功后clone DeepSpeech2项目，根据setup.sh进行相关依赖的安装与配置。注意镜像中缺少git、swig等基础命令或依赖包的安装，需通过apt-get进行安装。

数据准备及使用方式：

下载BaiduCN1.2k Model语音模型与Mandarin LM Small语言模型；
自行准备manifest文件，其中包括每条音频的存储路径，音频时长与数据标签（文本）。文本中不能含有标点符号、英文字母与阿拉伯数字。格式为：{“audio_filepath”: “”, “duration”: , “text”: “”}

使用如下命令可进行自定义语音音频识别

PYTHONIOENCODING=utf-8 // 需设定编码方式为utf-8，否则会出现错误；

python infer.py

--num_samples 1 //识别语音条数

--infer_manifest data/mydata/manifest //manifest文件路径

--use_gru TRUE //使用门控循环单元

--use_gpu FALSE 

--mean_std_path models/baidu_ch1.2k/mean_std.npz //样本特征的均值与标准差

--vocab_path models/baidu_ch1.2k/vocab.txt //字典路径

--lang_model_path models/lm/zh_giga.no_cna_cmn.prune01244.klm //语言模型路径

--model_path models/baidu_ch1.2k //语音模型路径

--num_conv_layers=2 //卷积层数量

--num_rnn_layers=3 //循环神经网络配置

--rnn_layer_size=2048 

--share_rnn_weights=False 

--specgram_type='linear' 

--error_rate_type=cer //错误率类型设置为字错误率

--alpha=0.4 

--beta=0.3

使用tools/tune.py可使用不同参数进行识别，以找出最优参数。参数包括alpha与beta，分别为语言模型权重与单词插入权重。
使用tools/compute_mean_std.py和tools/build_vocab.py可获得自定义样本的特征均值、标准差（用于归一化）与字典；
相关命令及运行参数保存在command.txt中，方便使用。

实验结果分析

实验数据为100条语音数据，带有ground truth。使用BaiduCN1.2k Model语音模型与Mandarin LM Small语言模型，使用预训练模型的数据特征（即归一化方式）与字典，经测试，最佳运行参数为alpha=0.4， beta =0.3，测试结果的平均cer（字错误率）为55.19%
将语音模型替换为Aishell模型进行实验，错误率升高

迁移学习

在公开的模型上使用自己的数据集进行迁移训练

准备工作

1）修改词典中的阿拉伯数字为中文；

2）将正确数据标签中所有阿拉伯数字换为中文，去除所有标点符号与英文字母；

3）按照要求生成manifest.train文件，包含训练数据路径，时长与标签；

4）预处理出训练集数据特征的均值与标准差；

5）若要修改字典（添加或删除），则需要修改神经网络模型的结构，较为复杂；

运行train.py进行训练，命令及参数如下

PYTHONIOENCODING=utf-8 

python train.py 

--batch_size 16 //批量大小

--num_epoch 10 //训练周期数

--num_conv_layers=2 

--num_rnn_layers=3 

--rnn_layer_size=2048 

--share_rnn_weights=False 

--save_epoch 1 //每训练一个epoch进行一次模型保存

--num_samples 80 

--learning_rate 0.05 //学习率，需调优

--max_duration 130 //最大音频时长

--use_gpu FALSE 

--use_gru TRUE 

--init_from_pretrained_model models/baidu_ch1.2k 

--train_manifest data/mydata/manifest.train //训练集路径

--dev_manifest data/mydata/manifest.validation //验证集路径

--mean_std_path models/baidu_ch1.2k/mean_std.npz //可选择模型预训练时使用的数据的特征（即models/baidu_ch1.2k/mean_std.npz），或是当前进行迁移学习的数据的特征（data/mydata/ mean_std.npz）

--vocab_path models/baidu_ch1.2k/vocab_new.txt 

--output_model_dir models/baidu_ch1.2k_new //新模型保存位置

--num_iter_print 1 //每一个epoch输出一次信息

--test_off TRUE//训练过程中是否进行验证

难点

环境难以配置，官方镜像存在问题，配置环境花费大量时间；
暂无法成功在docker中使用gpu，导致训练与识别速度非常慢；
（15h仅训练了6个epoch）
自定义训练数据的特征均值和标准差与预训练模型使用的数据不同，导致迁移学习效果较差
若需修改字典，则必须深入了解DeepSpeech模型结构与修改方式，深入学习PaddlePaddle框架

Todo

结合预训练时使用的数据的特征，对我们的音频数据进行预处理，再进行迁移训练
修改字典，修改网络模型，使最后的全连接层与自定义字典相匹配
使用更大型的语言模型Mandarin LM Large

参考文档

CVTE开源模型

概述

基于Kaldi
批量将mp3或wav音频进行数据部署，并生成txt识别结果
无phone和ctm时间戳

实验过程

将音频文件放入data/wav/filename中
新建data/filename/test文件夹，并在其中创建text、utt2spk、spk2utt、wav.scp文件，text中保存标签数据，wav.scp中保存音频路径，utt2spk、spk2utt中保存音频与说话人的关系。
每次运行后需删除data/filename/test中的cmvn.scp文件，否则会报错。
创建好data/filename/test中相应文件后，可使用utils/validate_data_dir.sh进行检查（需加上 --no-feats）
运行run.sh开始语音识别，运行前需修改run.sh中的路径（有三处）
在exp/chain/tdnn/decode_filename/scoring_kaldi/中可查看识别结果，对于不同的参数会有不同的结果，可通过best_cer（best_wer）查看最优结果对应参数（记为参数a）参数包括inv-acoustic-scale∈[7,17] ，word-ins-penalty∈{0.0,0.5,1.0}。
猜测：最优识别结果对应的参数（参数a）是最适合对此类语音数据进行识别的参数。在没有text文件的情况下，最优结果大概率存在于使用参数a得到的结果中。
对于不同的数据集，需要进行测试以获取最优参数

实验结果分析

实验数据为28条语音数据，带有ground truth。经测试，最佳参数为inv-acoustic-scale=16， word-ins-penalty=0.0，测试结果的平均cer（字错误率）为50.18%

流程

将音频文件（wav格式）放入/kaldi-master/egs/cvte/s5/data/wav/filename中；
将text文件放入/kaldi-master/egs/cvte/s5/data/test_filename/test中，text格式为“音频ID 文字标签\r\n”（中间为Tab）；
将conf与frame_shift放入test文件夹；
将进行整个识别流程封装入asr.sh文件。首先将自动生成wav.scp、utt2spk、spk2utt文件，并删除可能造成冲突的文件，然后开始语音识别；
识别结果将保存于/kaldi-master/egs/cvte/s5/exp/chain/tdnn/decode_filename/scoring_kaldi/中。若text文件中含有真实标签，则可查看最佳参数。打开最佳参数对应的文件夹可查看识别结果。