皮皮网

1.Kaldi - AISHELL声纹识别简介
2.有哪些语音识别的语音识语音开源项目?
3.基于Vosk-Kaldi的开源语音识别平台集成Asterisk/FreeSWITCH等第三方媒体服务器实现讨论
4.Kaldi(1): 安装
5.Vosk开源语音识别引擎kaldi的开发套件支持Asterisk，FreeSWITCH，别源Unimrcp和Jigasi离线识别
6.语音识别：kaldi的识别实战安装与yes no模型、aishell试运行

Kaldi - AISHELL声纹识别简介

       Kaldi声纹识别，语音识语音主要涉及数据准备、别源特征提取、识别实战asp.net 获取网页源码VAD处理、语音识语音模型训练以及评估等步骤。别源首先，识别实战数据准备是语音识语音关键，需准备wav.scp、别源utt2spk和spk2utt文件，识别实战用于记录声音文件和说话人信息。语音识语音特征提取环节，别源常用的识别实战MFCC（梅尔频率倒谱系数）在语音识别和说话人识别中都有应用，通过steps/make_mfcc.sh提取。

       VAD（语音活动检测）用于识别静音，kaldi的compute_vad_decision.sh通过能量判断静音，减少后续处理数据量。接下来是模型训练，主要包括GMM-UBM（高斯混合模型-通用背景模型）的训练，尤其是使用对角协方差的UBM，因其计算速度快且效果好。此外，还会训练i-vector模型，包括dot-products、lda、plda等多种分类器。

       调整文件分布时，将TIMIT数据按照AISHELL.v1的格式进行整理，如删除冗余文件并重命名。运行./run.sh脚本进行训练，参数如高斯分量数、ivector维度等可自定义。训练过程完成后，可以看到基于ivector的余弦、lda和PLDA的评估结果，如EER分数。云转码视频源码

       模型训练过程中，包括特征提取参数的调整和测试集的划分，如注册集与验证集。然后训练I-vector模型，最后通过评估手段，如清华大学的方式，对训练、注册和验证集的I-vector特征进行检验。

有哪些语音识别的开源项目?

       语音识别技术已成熟，能识别多种语言和方言，方便工作与生活。

       开源项目及软件推荐如下：

       1.Baidu AI开放平台：提供语音识别API，支持多种语言离线及实时识别，适合集成到自定义软件中。

       2.DeepSpeech：Mozilla开发的开源语音识别引擎，运用深度学习，识别准确度高，支持多种语言及方言。

       3.Kaldi：C++语言编写的语言识别工具包，适合语言识别研究，广泛应用于商用语言识别系统。

       实用软件推荐：

       1.录音转文字工厂：强大语音识别功能，支持多种音频格式，可转换为多种文字格式，识别多种语言。

       2.网易见外工作台：在线平台，支持中文及英文语音转写，结果准确。

基于Vosk-Kaldi的开源语音识别平台集成Asterisk/FreeSWITCH等第三方媒体服务器实现讨论

       语音识别技术在现代客服呼叫中心行业广泛应用，通过与第三方媒体服务器集成，实现智能客服机器人和对话机器人等业务场景。媒体服务器通过接收和处理来自呼叫通话的RTP语音流，与语音识别引擎交互，从而实现语音到文本或文本到语音的转换。Kaldi 是一种开源的语音识别引擎，许多企业利用 Kaldi 进行业务系统的训练，以获得更灵活的苏拉病毒 源码支持和定制需求。Vosk 是基于 Kaldi 的轻量级平台服务器，支持多种服务器端协议，如 MQTT、GRPC、WebRTC 和 Websocket，以及多种语言的离线语音识别，包括中文。

       本文将介绍如何集成 Vosk 与开源媒体服务器 Asterisk 或 FreeSWITCH，实现语音识别功能。首先，安装媒体服务器，如 Asterisk 或 FreeSWITCH。接着，安装 Vosk-asterisk 支持包，配置 Vosk 服务器端容器，并集成到媒体服务器中。对于 Asterisk，需要安装模块、配置文件和拨号规则；对于 FreeSWITCH，安装与 Asterisk 类似的步骤，包括模块、配置文件和拨号规则。安装完成后，创建测试环境，验证 Vosk 功能。Vosk 服务器端容器需安装 Python 3.9 并运行，支持多种语言版本，包括中文。

       在 Asterisk 或 FreeSWITCH 环境中集成 Vosk 后，用户可注册 SIP 分机，通过拨号规则接收呼叫。当用户开始说话时，媒体服务器将接收 RTP 语音流，与 Vosk 交互并生成文本内容。这为构建基于 Vosk-kaldi-Asterisk 的智能语音系统提供了基础。Vosk 支持与 Jitsi、Unimrcp、apk文件获取源码离线 PC 桌面应用、副标题生成、网络收音机控制、语音助手和视频搜索等场景集成，为开发者提供多场景支持。

       总结，Vosk 与媒体服务器的集成简化了语音识别应用的开发流程，降低了成本，支持多种应用场景。开发人员需根据业务场景调整工具，并针对特定环境优化 Kaldi 的识别准确性和本地模型。随着 ChatGPT 等技术的发展，语音识别应用日益多样化，开发者应参考行业权威资料，持续优化和扩展应用功能。

Kaldi(1): 安装

       Kaldi是一个基于C++开发并遵循Apache License v2.0的语音识别工具包，它目前是ASR领域最受欢迎的工具之一。本文将基于Ubuntu . LTS系统，向您介绍Kaldi的安装方法。

       安装Kaldi的第一步是按照官网提供的kaldi-asr.org/doc/tutor...指南，将Kaldi项目克隆至本地。

       在克隆完项目后，进入kaldi-trunk目录，查看INSTALL文件的内容。

       根据INSTALL文件的内容，我们需要先进入tools目录，并按照提示进行安装。完成tools目录的安装后，再进入src目录，继续按照提示进行安装。

       在进入tools目录后，我们需要查看INSTALL文件的内容。根据文件内容，我们首先需要进入extras目录，并运行脚本check_dependencies.sh来检查各种依赖是否安装。

       进入extras目录并运行check_dependencies.sh脚本。

       运行check_dependencies.sh脚本后，qt 源码编译mysql如果出现任何提示表明某些库未安装，应按照提示解决，直到运行check_dependencies.sh后出现“All OK.”的提示。

       然后，返回上一级目录，进行编译。如果是在虚拟机上，建议使用make而非make -j 4，以避免因内存不足导致编译失败。在src目录下的编译也遵循同样的原则。

       编译完成后，可能会提示irstlm未安装。此时，可以运行extras/install_irstlm.sh安装irstlm，但即使没有安装也可以先继续完成整个Kaldi的安装。

       进入src目录，查看INSTALL文件的内容。

       运行configure --shared命令。

       运行configure命令后，务必仔细阅读显示的提示，它可能和上文所示的内容有所区别。提示中会提醒你有哪些东西没安装好，并给出指导。遵循这些指导完成相关依赖的安装，直到运行configure后出现如上文所示的提示，提示的最后显示“SUCCESS To compile: ……”，此时才能进行后面的步骤。

       执行最后的步骤，编译Kaldi的源码。编译过程可能需要半个小时到一个小时，如果编译过程中未出现红色的error，最后出现“Done”，表明编译成功。

       最后，运行一个例程来检验安装是否成功。运行egs/yesno/s5目录下的run.sh脚本。

       如果出现如上文所示的结果，表明Kaldi安装成功。

Vosk开源语音识别引擎kaldi的开发套件支持Asterisk，FreeSWITCH，Unimrcp和Jigasi离线识别

       Vosk是一个开源语音识别引擎，具备跨语言支持，并且与开源媒体服务器Asterisk、FreeSWITCH、unimrcp以及Jigasi集成，实现离线语音识别。这款引擎基于Kaldi开源语音识别引擎开发，特别适用于轻量级离线场景，支持包括安卓、树莓派在内的终端设备。企业用户在集成智能客服系统时，若考虑使用API或MRCP接口调用商业语音识别引擎平台，但面对高昂费用和对离线识别及小型终端支持的限制时，Vosk提供了一种经济且灵活的解决方案。对于需要深入了解MRCP协议的开发者，可参考相关历史文档，获取全面规范，以提升集成效率与质量。Vosk引擎的开源特性及广泛的兼容性，使其成为追求成本效益与定制化集成需求的理想选择。

语音识别：kaldi的安装与yes no模型、aishell试运行

       本文为作者原创，转载请附上来源；

       作者： chaves

       零、本机环境：

       Linux gpu-name 3..0-..1.el7.x_ #1 SMP Wed Mar 7 :: UTC x_ x_ x_ GNU/Linux

       一、安装依赖

       二、克隆代码

       进入工作目录:

       三、编译kaldi

       按照里面的步骤执行：

       (1) 到tools/ 目录并按照那里的安装说明进行。

       (2) 到src/ 目录 并按照那里的安装说明进行

       按照他的说明执行，先执行

       现在kaldi就编译好了，接下来我们就可以跑demo了，kaldi有很多demo在egs

       四、运行demo

       1. 先跑一个简单的，进入egs/yesno/：

       看看效果很不错；wer为0；当然这个只是一个非常简单的英文yes no的语音识别；

       2. 接下来我们来一个中文语音识别的demoaishell，进入egs/aishell

       运行egs/aishell/s5/run.sh

       报错：

       local/aishell_train_lms.sh: train_lm.sh is not found. That might mean it's not installed

       local/aishell_train_lms.sh: or it is not added to PATH

       local/aishell_train_lms.sh: Use the script tools/extras/install_kaldi_lm.sh to install it

       2）提醒安装kaldi-lm；应该是kaldi-语言模型

       执行以下：

       提示：

       Installation of kaldi_lm finished successfully

       Please source tools/env.sh in your path.sh to enable it

       3）再次执行egs/aishell/s5/run.sh

       报错：

       steps/make_mfcc_pitch.sh --cmd queue.pl --mem 2G --nj data/train exp/make_mfcc/train mfcc

       utils/validate_data_dir.sh: Successfully validated data-directory data/train

       steps/make_mfcc_pitch.sh: [info]: no segments file exists: assuming wav.scp indexed by utterance.

       queue.pl: Error submitting jobs to queue (return status was )

       queue log file is exp/make_mfcc/train/q/make_mfcc_pitch_train.log, command was qsub -v PATH -cwd -S /bin/bash -j y -l arch=** -o exp/make_mfcc/train/q/make_mfcc_pitch_train.log -l mem_free=2G,ram_free=2G -t 1: /data/xxx/speech/kaldi/egs/aishell/s5/exp/make_mfcc/train/q/make_mfcc_pitch_train.sh >>exp/make_mfcc/train/q/make_mfcc_pitch_train.log 2>&1

       Output of qsub was: sh: qsub: command not found

       报错原因是因为;cmd.sh 里面是queue.pl（集群模式）。要修改为run.pl（本地模式）

       export train_cmd="run.pl --mem 4G"

       export decode_cmd="run.pl --mem 8G"

       export mkgraph_cmd="run.pl --mem G"

       我这里成功了，但是我要提醒大家，这里前面是传统模型，使用的是CPU，要很久很久才能运行完，所以可以在试运行的时候减少了训练样本；

       4）减少训练样本，进入目录修改训练样本量

       5）再次运行./run.sh，发现报错：

       Usage: optimize_alpha.pl alpha1 perplexity@alpha1 alpha2 perplexity@alpha2 alpha3 perplexity@alph3 at /data/xxx/speech/kaldi/tools/kaldi_lm/optimize_alpha.pl line .

       在google一艘就发现：

       网上也有说明:

       6）因此修改：

       vim tools/kaldi_lm/train_lm.sh

       修改 heldout_sent<；

       7) 中途报错：

       报误1：

       如上图错误，需要手动删除data/train_sp/feats.scp

       报错2：

       所以按照上述执行：nvidia-smi -c 3

       再次执行run.sh，这里我将nnet3之前的代码都注释掉，并删除了data/train_sp/feats.scp；

个最佳开源语音识别引擎

       在语音识别技术日益发展的今天，众多开源引擎为开发者和研究人员提供了丰富的选择。以下是一些备受关注的开源语音识别引擎，它们各自拥有独特的特点和适用场景：

       1. Whisper (OpenAI): 以高精度著称，凭借其丰富的训练数据和多语言支持赢得了开发者们的青睐。然而，免费使用意味着GPU需求较高，且不支持实时转录，适合对准确性有较高要求的专业项目。

       2. DeepSpeech (Mozilla): 提供了易定制的Python接口，尤其适合小设备。虽然多语言支持广泛，但Mozilla可能对项目进行调整，潜在地影响未来开发。

       3. Kaldi: 作为C++编写的传统模型，Kaldi是研究领域的热门选择，其开源透明度和可靠性能深受欢迎，但传统方法的局限可能影响准确性，且对计算能力有一定要求。

       4. SpeechBrain: 基于深度学习的模型，易于定制且集成PyTorch，然而文档资源相对较少，预训练模型有限，适合有一定技术背景的开发者。

       5. Coqui: 提供高质量训练模型和多语言支持，实时转录功能强大，但其STT项目已停止维护，需要开发者自行权衡。

       6. Julius: 实时转录性能优越，支持多种语言，注重用户隐私，但学习曲线较陡峭，适合技术熟练的开发者。

       7. Flashlight ASR: 以速度和大数据处理能力见长，资源效率高，但缺乏预训练语言模型。

       8. PaddleSpeech: 适合新用户，但其学习曲线较陡峭，主要支持中文，适合需要中文语音转文本处理的项目。

       9. OpenSeq2Seq (Nvidia): 虽然通用性强，但资源消耗大且社区支持减少，适合Nvidia驱动设备的开发者。

       . Vosk: 轻量级引擎，适合快速响应，但对语言和口音敏感，需要特定的专业知识。

       . Athena: 简洁易用，开源免费，但学习曲线陡峭，适合寻求稳定且开源的解决方案。

       . ESPnet: 作为Apache 2.0开源工具，性能强大，适合实时转录，但对新用户来说可能较为复杂。

       . Tensorflow ASR: 准确度高且维护良好，支持多种模型和语言，但安装过程可能较为繁琐。

       每款引擎都有其适用的场景，无论是性能、易用性还是特定功能，开发者在选择时应根据项目需求、资源限制和团队技术背景来权衡。

小米下一代Kaldi将走向何方？道翰天琼认知智能机器人平台API接口大脑为您揭秘

       Daniel Povey博士，开源语音识别工具Kaldi的创始人，他揭示了下一代Kaldi的发展方向和关键技术应用。Kaldi，源自埃塞俄比亚牧羊人发现咖啡树的故事，作为流行的开源语音识别开发框架，被工业界和学术界广泛采用。Povey在《可微分的加权有限状态机及其机器学习应用》的报告中，深入探讨了Kaldi的现状、改进方向及关键技术。

       Kaldi由Daniel Povey于年在约翰霍普金斯大学的一个研讨会上创建。作为当前最流行的开源语音识别工具，Kaldi主要使用C和C++编写，辅以Bash、Perl和Python脚本。它拥有与HTK相仿的目标和受众，广受欢迎的原因在于其易于复用的脚本、与有限状态传感器（FSTs）的代码级集成、广泛的线性代数支持以及可扩展设计。

       Kaldi的优点包括与FSTs的紧密集成、强大的线性代数支持、可扩展性以及开放许可。然而，其复杂性和学习门槛成为缺点。为解决这些问题，Daniel Povey提出将PyTorch应用于下一代Kaldi的深度神经网络中，并允许在PyTorch和TensorFlow之间灵活切换，以增强Kaldi与标准框架的兼容性。

       下一代Kaldi旨在实现以下几个目标：简化实现复杂功能（如CTC）、整合离散信息源（如词汇和电话序列）、与PyTorch模型简单集成、高效处理序列和集合、以及使用通用工具执行操作。有限状态机是实现这一目标的关键概念，Povey详细解释了其工作原理及其在语音识别中的应用。

       加权有限状态机（WFSA）是有限状态机的一种特殊形式，广泛应用于语音识别。WFSA在输出边或弧上携带权值信息，使得状态转换在考虑概率的同时进行。Povey展示了WFSA的基本结构，并阐述了其在语音识别中的实际应用。

       道翰天琼认知智能机器人平台API接口大脑，作为一款以认知智能技术为核心的产品，依托道翰天琼年的研发成果，提供了一种新的智能解决方案。认知智能技术以人类认知体系为基础，融合了哲学、心理学、语言学等多个学科的理论，旨在实现深度理解、智能决策和人机交互。认知智能机器人API提供了一套完整的接口服务，使得开发者能够轻松接入并利用认知智能技术，赋能各类智能设备。

       为了接入道翰天琼CiGril认知智能机器人API，用户需要完成以下步骤：注册账号、登录平台、创建应用并查看应用详情，获取appid、appkey等信息，然后在接口代码中接入这些信息。API的请求地址和方式已经提供，用户需要按照指定格式和参数发送POST请求，确保参数名称的小写、完整性以及正确性，才能成功请求API服务。

       为了简化接入流程，这里提供了一个示例代码（使用JAVA语言），展示了如何使用API调用接口进行请求。用户需要替换接口URL、参数值等信息，并确保参数按照指定格式传递，以获得预期的响应数据。