3 数据整理

本章介绍如何为Kaldi的训练环境准备数据和其他资源文件。在使用语音识别工具训练声学模型时，一个新手的常见问题就是如何准备训练数据。这里面包含两个问题，第一个是如何选择训练数据，第二个是如何将数据整理成工具可以支持的格式。如果数据格式不正确或不规范，则可能导致训练过程无法进行，或者训练出来的模型性能极差。Kaldi的通用脚本将工具整合在一起，避免了工具误用带来的问题，但同时，也要求使用者保证数据格式的正确。不同数据来源的格式千差万别，本章还将讲解如何构建符合Kaldi脚本规范的数据资源文件，包括数据文件夹data和语言文件夹data/lang，并以Librispeech为例，详解如何划分训练数据，以及各种资源文件的内容及其用途。