如何为Vosk英文大模型（vosk-model-en-us-0.22）添加词典词汇

只改words.txt为啥不行？ #

完全没用。words.txt只是模型编译好后的词汇-ID对照表，真正决定识别逻辑的是graph目录下的HCLG.fst等识别图文件——这些文件是预编译好的，根本没包含你新加的词汇路径，直接改words.txt只会让模型加载时出现校验不匹配的异常。

正确的操作步骤 #

要成功加自定义词汇，得重新构建模型的识别图部分，步骤如下：

1. 搞定词汇发音
   • 先查看模型目录graph/phones.txt，里面列了模型能识别的所有音素。
   • 给新词汇编写符合这些音素的发音，比如NBD可以写成n b d（必须用phones.txt里存在的音素，不能自行编造）。
2. 更新原始词典
   • 获取该模型的源码包（可从Vosk官方模型仓库获取），里面包含未编译的原始词典文件。
   • 在原始词典末尾添加新词汇的发音条目，格式为「词汇 音素1 音素2 ...」，比如NBD n b d。
3. 重新编译识别图
   • 使用Kaldi工具链（Vosk基于Kaldi构建）重新编译语言模型和词典，生成新的HCLG.fst、words.txt等文件。核心命令大致如下（需适配模型的具体配置）：

     # 准备语言环境与词汇映射
     utils/prepare_lang.sh data/local/dict "<UNK>" data/local/lang data/lang
     # 格式化语言模型
     utils/format_lm.sh data/lang data/local/lm/lm.arpa.gz data/local/dict/lexicon.txt data/lang_test
     # 构建新识别图
     utils/mkgraph.sh data/lang_test exp/tri4b data/graph
     

   • 将新生成的graph目录下所有文件，替换原模型目录中的graph文件。
4. 验证模型
   • 重新运行Python代码加载模型，测试新词汇的识别效果。

词汇ID的正确赋值方法 #

words.txt里的编号是词汇的唯一内部ID，只需满足两个条件：

• 编号为未被使用过的整数；
• 编号值大于现有词汇的最大ID（比如原文件最大ID是368706，新词汇就用368707即可）。
  不需要特殊编码，核心还是要保证发音符合模型的音素集，且识别图中已包含该词汇的路径。

内容的提问来源于stack exchange，提问作者user522913