[Kaldi] 孤立词识别(yesno)(一)
20180627 qzd
一 数据准备
-
waves_yesno
总共60个wav文件,采样率都是8k,wav文件里每一个单词要么”ken”要么”lo”(“yes”和”no”)的发音,所以每个文件有8个发音,文件命名中的1代表yes发音,0代表no的发音. -
数据准备
local/prepare_data.sh waves_yesno
- 生成wavelist文件
- 生成waves.test和waves.train
将waves_all.list中的60个wav文件,分成两拨，各30个，分别放在waves.test和waves.train中．
(格式：0_0_0_0_1_1_1_1.wav) - 生成test_yesno_wav.scp和train_yesno_wav.scp
根据waves.test 和waves.train又会生成test_yesno_wav.scp和train_yesno_wav.scp两个文件．
(格式： 0_0_0_0_1_1_1_1 waves_yesno/0_0_0_0_1_1_1_1.wav) - 生成train_yesno.txt和test_yesno.txt
(格式：0_0_0_0_1_1_1_1 NO NO NO NO YES YES YES YES) - 生成utt2spk和spk2utt
这个两个文件分别是发音和人对应关系，以及人和其发音id的对应关系．由于只有一个人的发音，所以这里都用global来表示发音． - 此外还可能会有如下文件（这个例子没有用到）：
segments
包括每个录音的发音分段/对齐信息
只有在一个文件包括多个发音时需要
reco2file_and_channel
双声道录音情况使用到
spk2gender
将说话人和其性别建立映射关系，用于声道长度归一化．
data/local/
目录结构如下：
- data
├───local
│ ├───waves_all.list
│ ├───waves.train
│ ├───waves.test
│ ├───train_yesno_wav.scp
│ ├───test_yesno_wav.scp
│ ├───train_yesno.txt
│ ├───test_yesno.txt
│ └───...
- data
data/train_yesno/
data/test_yesno/
目录结构如下:
- data
├───train_yesno 训练文件夹
│ ├───text (发音id 发音文本)(cp data/local/)
│ ├───wav.scp (发音id 发音文件)(cp data/local/)
│ ├───utt2spk (发音id 发音人)
│ ├───spk2utt (发音人 发音id)
│ └───...
└───test_yesno (同上)
- data
- 准备词典发音脚本
input/
应该是手工的
- input
├───lexicon.txt( 词典，包括语料中涉及的词汇与发音)
├───lexicon_nosil.txt (不包含静音的词典。)
├───phones.txt(所有发音音素)
└───task.arpabo(用 ngram-count trans.txt(训练的所有词汇表)生成)
- input
local/prepare_dict.sh
构建语言学知识－词汇和发音词典．需要用到steps和utils目录下的工具。这可以通过修改该目录下的path.sh文件进行更新。
- mkdir -p data/local/dict
这个简单的例子只有两个单词：YES和NO，为简单起见，这里假设这两个单词都只有一个发音：Y和N。这个例子直接拷贝了相关的文件，非语言学的发音，被定义为SIL。
- data/local/dict
├───lexicon.txt (cp input/ )(完整的词位-发音对)
├───lexicon_words.txt (cp input/)(单词-发音对)
├───nonsilence_phones.txt(语言学发音)
├───silence_phones.txt(非语言学发音)
├───optional_silence.txt(备选非语言发音)
└───...
- data/local/dict
- 语音词典转成FST脚本
最后还要把字典转换成kaldi可以接受的数据结构-FST（finit state transducer。
utils/prepare_lang.sh --position-dependent-phones false data/local/dict "<SIL>" data/local/lang data/lang
由于语料有限，所以将位置相关的发音disable。这个命令的各行意义如下：
utils/prepare_lang.sh --position-dependent-phones false <RAW_DICT_PATH> <OOV> <TEMP_DIR> <OUTPUT_DIR>
OOV存放的是词汇表以外的词，这里就是静音词（非语言学发声意义的词）
发音字典是二进制的OpenFst 格式，可以使用如下命令查看：
~/source_code/kaldi-trunk/egs/yesno/s5$ sudo ../../../tools/openfst-1.6.2/bin/fstprint --isymbols=data/lang/phones.txt --osymbols=data/lang/words.txt data/lang/L.fst
0 1 <eps> <eps> 0.693147182
0 1 SIL <eps> 0.693147182
1 1 SIL <SIL>
1 1 N NO 0.693147182
1 2 N NO 0.693147182
1 1 Y YES 0.693147182
1 2 Y YES 0.693147182
1
2 1 SIL <eps>
- 语言学模型
这里使用的是一元文法语言模型，同样要转换成FST以便kaldi接受。该语言模型原始文件是data/local/lm_tg.arpa，生成好的FST格式的。是字符串和整型值之间的映射关系，kaldi里使用整型值。
qzd@gcyyx519:~/kaldi/egs/yesno/s5$ head -5 data/lang/phones.txt
<eps> 0
SIL 1
Y 2
N 3
#0 4
qzd@gcyyx519:~/kaldi/egs/yesno/s5$ head -5 data/lang/words.txt
<eps> 0
<SIL> 1
NO 2
YES 3
#0 4
可以使用如下命令查看生成音素的树形结构： phone树
~/kaldi/src/bin/draw-tree data/lang/phones.txt exp/mono0a/tree | dot -Tps -Gsize=8,10.5 | ps2pdf - ./tree.pdf
image.png
LM（language model）在data/lang_test_tg/
local/prepare_lm.sh
查看拓扑结构(topo)
image.png
在<ForPhone></ForPhones><ForPhone></ForPhones>之间的数字，1表示silcense，2,3分别表示Y和N，这从拓扑图里也可以看出来。
指定了三个状态从左到右的HMM以及默认的转变概率。为silence赋予5个状态。
0.mdl的内容如下：
image.png
分析如下：
- 转移模型
<TransitionModel>
<Topology>
<TopologyEntry>
<ForPhones>
2 3
</ForPhones>
<State> 0 <PdfClass> 0 <Transition> 0 0.75 <Transition> 1 0.25 </State>
<State> 1 <PdfClass> 1 <Transition> 1 0.75 <Transition> 2 0.25 </State>
<State> 2 <PdfClass> 2 <Transition> 2 0.75 <Transition> 3 0.25 </State>
<State> 3 </State>
</TopologyEntry>
<TopologyEntry>
<ForPhones>
1
</ForPhones>
<State> 0 <PdfClass> 0 <Transition> 0 0.25 <Transition> 1 0.25 <Transition> 2 0.25 <Transition> 3 0.25 </State>
<State> 1 <PdfClass> 1 <Transition> 1 0.25 <Transition> 2 0.25 <Transition> 3 0.25 <Transition> 4 0.25 </State>
<State> 2 <PdfClass> 2 <Transition> 1 0.25 <Transition> 2 0.25 <Transition> 3 0.25 <Transition> 4 0.25 </State>
<State> 3 <PdfClass> 3 <Transition> 1 0.25 <Transition> 2 0.25 <Transition> 3 0.25 <Transition> 4 0.25 </State>
<State> 4 <PdfClass> 4 <Transition> 4 0.75 <Transition> 5 0.25 </State>
<State> 5 </State>
</TopologyEntry>
</Topology>
- 音素 hmm状态
<Triples> 11
1 0 0
1 1 1
1 2 2
1 3 3
1 4 4
2 0 5
2 1 6
2 2 7
3 0 8
3 1 9
3 2 10
</Triples>
- 高斯模型
- 20+1个log概率对应于11个phone(0-10)。
<LogProbs>
[ 0 -1.386294 ... ]
</LogProbs>
- 高斯模型的维度39维（没有能量），对角GMM参数总共11个。
<DIMENSION> 39 <NUMPDFS> 11 <DiagGMM>
- 对角高斯参数的均值方差权重等参数：
<GCONSTS> [ -79.98567 ]
<WEIGHTS> [ 1 ]
<MEANS_INVVARS> [
0.001624335 ...]
<INV_VARS> [
0.006809053 ... ]
编译训练图
image.png
为每一个训练的发音编译FST，为训练的发句编码HMM结构。
二 特征提取
steps/make_mfcc.sh --nj 1 data/
x mfcc
steps/compute_cmvn_stats.s data/
utils/fix_data_dir.sh data/$x
-
archive文件存放的是每个发音对应的特征矩阵（帧数X13大小）。
第一个参数scp:...指示在[dir]/wav1.scp里罗列的文件。
-
通常在做NN训练时，提取的是40维度，包括能量和上面的一阶差分和二阶差分。
qzd@gcyyx519:~/source_code/kaldi-trunk/egs/yesno/s5/mfcc$ ../../../../src/featbin/copy-feats ark:raw_mfcc_train_yesno.1.ark ark:- |../../../../src/featbin/add-deltas ark:- ark,t:- | head
../../../../src/featbin/add-deltas ark:- ark,t:-
../../../../src/featbin/copy-feats ark:raw_mfcc_train_yesno.1.ark ark:-
三 Mono training(单音节训练)
steps/train_mono.sh --nj 1 --cmd "$train_cmd" \ --totgauss 400 \ data/train_yesno data/lang exp/mono0a
这将生成语言模型的FST，
使用如下命令可以查看输出：
fstcopy 'ark:gunzip -c exp/mono0a/fsts.1.gz|' ark,t:- | head -n 20
image.png
其每一列是（Q-from, Q-to, S-in, S-out, Cost）
四 解码和测试
- Graph compilation(图解码)
utils/mkgraph.sh data/lang_test_tg exp/mono0a exp/mono0a/graph_tgpr
首先测试文件也是按此生成。
然后构建全连接的FST。
- Decoding(解码测试)
steps/decode.sh --nj 1 --cmd "$decode_cmd" \ exp/mono0a/graph_tgpr data/test_yesno exp/mono0a/decode_test_yesno
这将会生成lat.1.gz，该文件包括发音格。exp/mono/decode_test_yesno/wer_X并且也计算了词错误率。exp/mono/decode_test_yesno/scoring/X.tra是文本。X是语言模型权重LMWT。当然也可以在调用score.sh添加参数--min_lmwt 和 --max_lmwt进行修改。
五 结果查看
for x in exp//decode; do [ -d
x/wer_* | utils/best_wer.sh; done
详细脚本命令见kaldi官网文档
如果对单词级别的对齐信息感兴趣，可以参考steps/get_ctm.sh
参考blog：https://blog.csdn.net/shichaog/article/details/73264152?locationNum=9&fps=1
