k2语音识别：使用docker快速部署k2

新一代Kaldi包含Lhotse、k2、Icefall、sherpa，是有着良好的生态且专于ASR的开源项目，k2的模型较丰富，推理速度快准确度高、且支持并行解码。其中icefall主要用于各种模型的训练，eg非常详细，几乎包含数据预处理、训练、模型评估和预测，模型导出、量化，及转换onnx的所有步骤；而sherpa可以用于快速部署语音识别服务，开箱即用的方式，可以快速应用于项目生产。项目源码简洁干练，可读性强，从中亦能学到软件架构、设计模式、神经网络计算等知识。

那么如何使用docker快速部署新一代kaldi？

一、准备工作，首先对系统环境做基本了解：

宿主机系统windows10/11或linux/ubuntu20等，需要装有支持cuda10.1+显卡，以便进行模型训练和GPU推理（仅部署CPU推理服务，则不需要）。

在宿主机系统中安装nvidia-docker 。

在宿主机系统中安装nvidia cuda驱动，文中使用 CUDA 11.6/11.7。

可使用python3.7+，文中使用Python3.8（推荐python3.8+）。

文中使用nvidia/cuda:11.0-base基础镜像，也可以使用官方提供的其他更新版本的镜像。

Sherpa里websocket服务需要开启的端口：6006、6008（使用dockerx镜像部署，docker run的时候，需提前做好端口映射）。

若使用conda安装，可直接跳过docker的步骤，在conda的虚拟环境中安装好cuda+cudnn之后，执行步骤8及后续操作。

二、在docker中部署k2的具体操作步骤

1.拉取基础镜像

测试：

2.使用基础镜像启动一个容器

3.进入容器

4.安装依赖

清除apt-get缓存

5.安装cudatoolkit，去掉驱动选项，然后Install：

修改环境变量，并添加：

使环境变量生效：

查看：

6.安装cudnn

查看cuDNN的信息：

（完成以上步骤，可建快照，以复用。）

7.安装torch（与cuda版本配套的torch）

8.安装lhotse（只推理不训练，例如仅体验sherpa，可跳过此步骤）

9.安装icefall（只推理不训练，例如仅体验sherpa，可跳过此步骤）

10.安装kaldifeat

11.安装k2

12.安装sherpa

以上部署成功之后，使用sherpa可快速体验新一代kaldi。