Reply To: HARK音声認識セット("HARK_recog_2.3.0.1_practice2")のモデルを自作モデルに差し替えたい。

HARK FORUM › HARK音声認識セット("HARK_recog_2.3.0.1_practice2")のモデルを自作モデルに差し替えたい。 › Reply To: HARK音声認識セット("HARK_recog_2.3.0.1_practice2")のモデルを自作モデルに差し替えたい。

July 25, 2019 at 12:12 pm #1077
Masayuki Takigahira
Moderator

    お問い合わせありがとうございます。

    ご質問の目的ですが、CSJコーパスで学習された音響/言語モデルが必要という認識で宜しいでしょうか。
    nnet3形式のchain modelで宜しければ、学習済みのモデルが下記ページよりダウンロード可能です。
    https://www.hark.jp/download/samples/

    現行の最新版(HARK3.0)のサンプルファイルがCSJで学習されたモデルとなります。
    次のファイルをダウンロードして頂けますでしょうか。
    HARK_recog_3.0.0_practice2.zip

    従来のnnet1形式のモデルに比べ認識性能、処理速度なども向上しておりますので、
    今後も互換性のためにnnet1形式のモデルを使用して動作させる事は可能ですが
    理由が特になければnnet3形式のモデルへ移行される事を推奨しております。

    モデルの変更にあたり、デコード時に使用する特徴量は
    特徴量13次元 + Delta特徴量13次元 + DeltaPower特徴量 の27次元から
    特徴量40次元 に変更となっています。ご了承ください。

    —-

    また、将来的にご自身で学習されたモデルへ入れ替えたいという事でしたら、
    HARK Forum内の下記スレッドでKaldi公式の学習レシピ(nnet3用)から変更が
    必要な点についての回答が行われていますので宜しければご確認ください。
    音響モデルの作成について

    まず、GMMの学習に13次元のMSLS特徴量、chain学習に40次元のMSLS特徴量が必要となります。
    SpeechRecgnitionClientのFEATURESへの入力をSaveHTKFeatureに繋ぎ変える事でHTK形式の特徴量ファイルが出力されます。
    デコード時(音声認識セットのサンプル)は40次元の特徴量のみをSpeechRecgnitionClientにて送信していますが、学習の為には別途13次元の特徴量が必要になりますのでご注意ください。
    上記のスレッドを参考にHARKで出力したHTK特徴量をKaldiのark形式に変換して頂いた上で、Kaldiへ入力して学習してください。
    我々が提供しているモデルではiVectorに100次元を使用しております。
    他の設定は HARK_recog_3.0.0_practice2.zip の kaldi_conf ディレクトリをご参照ください。

    Notes:
    Kaldi公式のレシピでPCMデータから直接作成してしまいますと、
    MSLS特徴量には対応していませんのでMFCC特徴量が使われます。
    MSLSExtractionの代わりにMFCCExtractionというノードを使用する事も可能ですが、
    この場合も特徴量の次元数等の設定については学習時と合わせて頂く必要が御座います。

    以上、宜しくお願い致します。