0 前言
中文語音識別的aishell2推出已經有一段時間了，由於沒有aishell2的語料庫，有資格的可以申請，所以拿aishell1的15G語料進行訓練，所以寫了相關的腳本處理aishell1的語料庫，來適配aishell2，可以參考我的github 倉庫 aishell2_gmm_train
1 語料轉換
下載完aishell1的語料後，將data_aishell.tgz解壓後的語料放在egs/aishell2目錄下的recipes（自己創建的），將解壓後的語料按照github上的路徑存放，然後按照以下步驟操作：
1. notepad++打開recipes/data_aishell/transcript/aishell1的aishell_transcript_v0.8.txt文件，將所有的空格全部替換掉（因爲aishell2採用了jeba分詞腳本，無需分詞），做這一步操作後，方便後續腳本處理生成trans.txt wav.scp文件,替換後的文件保存爲aishell_transcript_v0.8_remove_space.txt
2. 執行recipes/data_aishell/wav/convert_aishelltoaishell2.py腳本，注意版本爲python3，之後會在train目錄下生成trans.txt 和 wav.scp 主要是將aishell1的transcript文件中的說話人編號BAC009S0002W0122 轉換成AISHELL2格式 IS0002W0122
3. 執行recipes/data_aishell/wav/rename_wav_file.py腳本，將aishell1語料中的BAC009S0002W0122.wav 重命名成aishell2的格式 IS0002W0122.wav
2 訓練腳本的修改
1. 註釋了大辭典發音字典相關代碼，採用的aishell2的發音字典，沒有采用aishell1的，結巴分詞就是利用該字典分詞，見修改內容：prepare_dict.sh
2. 語言模型訓練時，註釋了kaldi_lm的訓練及srilm的訓練方式，自己利用ngram命令生成相關的語言模型，見 train_lms.sh
mkdir -p data/local/lm/3gram-mincount/
ngram-count -text ${lm_dir}/lexicon.txt -order 3 -write ${lm_dir}/words.txt.count
ngram-count -read ${lm_dir}/words.txt.count -order 3 -lm ${lm_dir}/word.3gram.lm -interpolate
3. GMM訓練時，在MFCC特徵提取時，沒有采用aishell2 pitch的特徵提取方式，因爲pitch增加了相應的維度，導致kaldi自帶的online-gmm-decode-faster解碼器維度不匹配，修改成make_mfcc.sh腳本，註釋掉了 subset the training data for fast startup相關代碼，並修改了部分訓練時的錯誤，見run_gmm.sh， 如果需要提取39維mfcc特徵值可以參考wakeup_words倉庫中的run_gmm.sh
注： 以上腳本中，註釋掉了三音素和DNN的相關訓練(wakeup_words倉庫中有DNN的訓練)，如有問題，歡迎拍磚。