home

[Huskyで音声認識]

Huskyで音声認識をするためには， WFSTとして表現された認識ネットワーク，HMM状態ファイル，認識対象の音声特徴量リストファイルおよびhuskyの設定ファイルをコマンド行引数としてhuskyを起動します． また，WFSTでの入力シンボルや出力シンボルにはIDを用いているので，IDとシンボルの対応表も必要となります．

Husky実行用サンプルデータ

Huskyを用いて3万語彙の大語彙連続音声認識を行うための統計モデル(WFST,HMM)や設定ファイルなどです．
認識ネットワークやHMM状態ファイルのパラメタは日本語話し言葉コーパスという音声データベースからHTKやATTツールキットを用いて作成しています．
これらのモデルはhuskyの動作テストの目的のみに使用できることとします．それ以外の目的で使用したい場合は，ご相談ください．

Huskyの実行

上記ファイルを適当なディレクトリに保存後，以下のようにhuskyを起動することで，音声認識が行えます． ghcを用いてコンパイルしたhuskyをbash環境で起動しています．(マシンのスペックに注意してください) 
conf=dcd.config
wfst=csj-3gram-v30k-mpe-mix32.hloop.hclg.lmw10.asciiid.wfst
spdfs=hmm.spdfs
scp=decode.scp

husky $conf $wfst $spdfs $scp +RTS -H32g
+RTS以降はghcのランタイムシステムを制御するためのオプションです．-H32gによりガーベッジコレクタに推奨されるヒープの大きさとして32Gbyteを指示しています．

認識結果

上記サンプル音声ファイルの認識結果は以下のようになります．
<s>および</s>は文頭及び文末の無音区間を表しています．この例では，全ての単語が正しく認識されています．
出力ID 1293022689832922384645551591261424838962
単語列 <s>音声認識の研究をしています</s>