其实kaldi的例子有很多，但是我还是决定从小例子出发，因为我菜哈哈哈哈哈。kaldi的介绍和安装编译在我上一篇kaldi学习中：https://www.jianshu.com/p/e337120c5885

kaldi里面有很多运行实例，

一、运行yesno实例

该实例是一个非常小的数据集，每一条记录都是一系列yes或者no的语音，标注是由文件名来标注的。先运行一下。

$ cd ../egs/yesno/s5
$ sudo ./run.sh

就会看到运行一堆结果，我们找到WER（（Word Error Rate）是字错误率，是一个衡量语音识别系统的准确程度的度量）其计算公式是WER=(I+D+S)/N，其中I代表被插入的单词个数，D代表被删除的单词个数，S代表被替换的单词个数，N为总单词个数。也就是说把识别出来的结果中，多认的，少认的，认错的全都加起来，除以总单词数。这个数字当然是越低越好。

WER为0，说明对于yesno这个例子的识别很准确。

二、运行THCHS-30实例

数据下载地址：http://www.openslr.org/18/

这三个都下载下来，然后放在文件夹中,然后解压（可能需要等几分钟）

tar zxvf data_thchs30.tgz -C./
tar zxvf resource.tgz -C./
tar zxvf test-noise.tgz -C./

数据集中包括了train、dev（交叉验证集）、test。训练好的语言模型word.3gram.lm和phone.3gram.lm以及相应的词典lexicon.txt。训练和测试的目标数据也分为两类：word（词）和phone（音素）。

1.local/thchs-30_data_prep.sh主要工作是从$thchs/data_thchs30（下载的数据）三部分分别生成word.txt（词序列），phone.txt（音素序列），text（与word.txt相同），wav.scp（语音），utt2pk（句子与说话人的映射），spk2utt（说话人与句子的映射）

2.#produce MFCC features是提取MFCC特征，分为两步，先通过steps/make_mfcc.sh提取MFCC特征，再通过steps/compute_cmvn_stats.sh计算倒谱均值和方差归一化。

3.#prepare language stuff是构建一个包含训练和解码用到的词的词典。而语言模型已经由王东老师处理好了，如果不打算改语言模型，这段代码也不需要修改。
a)基于词的语言模型包含48k基于三元词的词，从gigaword语料库中随机选择文本信息进行训练得到，训练文本包含772000个句子，总计1800万词，1.15亿汉字
b)基于音素的语言模型包含218个基于三元音的中文声调，从只有200万字的样本训练得到，之所以选择这么小的样本是因为在模型中尽可能少地保留语言信息，可以使得到的性能更直接地反映声学模型的质量。
c)这两个语言模型都是由SRILM工具训练得到。

二、修改脚本

得到数据后，我们就要修改脚本才能运行我们的数据。要寻找到egs/thchs30/s5/cmd.sh 才可以在我的虚拟机上的路径为

kaldi-trunk/egs/thchs30/s5

vim cmd.sh

然后按insert进行修改,修改成下面那样，修改为本地运行，至少4核内存。记得等号前后不要有空格。。。我就是因为有空格。。报错了，习惯了用python。。习惯了前后空格，sh语言是不一样的。

#export train_cmd=queue.pl
#export decode_cmd="queue.pl --mem 4G"
#export mkgraph_cmd="queue.pl --mem 8G"
#export cuda_cmd="queue.pl --gpu 1"
export train_cmd=run.pl
export decode_cmd="run.pl --mem 4G"
export mkgraph_cmd="run.pl --mem 8G"
export cuda_cmd="run.pl --gpu 1"

修改完cmd.sh后，我们就要修改run.sh文件，一样是在s5的目录下的。我们要修改两个地方，第一个是修改并行任务的数量，可以根据你的电脑性能决定，第二个地方是修改数据集放的位置，

vim run.sh

然后修改成下图

三、运行

我们在s5下执行以下代码，就可以运行了

./run.sh

下面是挺不错的文章，大家可以去看看！
本文参考：
https://blog.csdn.net/snowdroptulip/article/details/78914687
https://blog.csdn.net/by21010/article/details/49072699
https://blog.csdn.net/shichaog/article/details/73655628
https://blog.csdn.net/snowdroptulip/article/details/78943748#comments