3 數據整理

本章介紹如何為Kaldi的訓練環境準備數據和其他資源文件。在使用語音識別工具訓練聲學模型時，一個新手的常見問題就是如何準備訓練數據。這里面包含兩個問題，第一個是如何選擇訓練數據，第二個是如何將數據整理成工具可以支持的格式。如果數據格式不正確或不規范，則可能導致訓練過程無法進行，或者訓練出來的模型性能極差。Kaldi的通用腳本將工具整合在一起，避免了工具誤用帶來的問題，但同時，也要求使用者保證數據格式的正確。不同數據來源的格式千差萬別，本章還將講解如何構建符合Kaldi腳本規范的數據資源文件，包括數據文件夾data和語言文件夾data/lang，并以Librispeech為例，詳解如何劃分訓練數據，以及各種資源文件的內容及其用途。