数据准备
local/timit_data_prep.sh
生成的内容放在data/local/data中。
对于train、test和dev，分别生成相应的_sph.flist、_sph.scp、.uttids、.trans、.text、_wav.scp、.utt2spk、.spk2utt、.spk2gender、.stm和.glm文件。
NOTE:
.wav files are not really .wav, they are .sph. Use tools/sph2pipe_v2.5/sph2pipe to convert.
-
一大堆检查
- 检查参数数目是否正确
- 检查sph2pipe程序是否可用
- 检查conf/test_spk.list和conf/dev_spk.list是否存在
- 检查train和test目录是否存在
- 检查目录名是大写的还是小写的(TRAIN或者train)
创建临时文件
用trap命令设置收到EXIT信号时删除临时文件
转换大小写，将dev_spk.list和test_spk.list分别写到$tmpdir/dev_spk和$tmpdir/test_spk中，用ls和sed生成$tmpdir/train_spk，也就是训练集中的说话人名字列表
在目录data/local/data下，未注明路径的文件都是生成在该路径下
- for x in train dev test; do
- 生成与x相关的
.WAV路径列表，放在${x}_sph.flist中 - 根据${x}_sph.flist中的人名和句子名，生成utt-id(人名_句子名)，放在$tmpdir/${x}_sph.uttids中
- 将.uttids和_sph.flist中的同一行粘在一起，根据第一列的uttids进行排序后放在
${x}_sph.scp中，每一行的格式为：utt-id 对应的.WAV路径 - 根据${x}_sph.scp的第一列生成
${x}.uttids - 生成与x相关的
.PHN路径列表，放在$tmpdir/${x}_phn.flist中(.PHN文件中存放的是音素抄本) - 根据_phn.flist中的人名和句子名，生成utt-id(人名_句子名)，放在$tmpdir/${x}_phn.uttids中
- 将存放在
.PHN文件中的抄本转换为kaldi使用的格式保存在$tmpdir/${x}_phn.trans中（.PHN中，一个音素一行，将这些音素放在一行） - 将.uttids和.trans中的同一行粘在一起，根据第一列的uttids进行排序后放在
${x}.trans中，每一行的格式为：utt-id 对应的抄本 - 调用
local/timit_norm_trans.pl对${x}.trans进行normalization，将h#替换成sil，生成$x.text - 创建
${x}_wav.scp，每一行的格式为：utt-id extendedfilename - 生成
$x.utt2spk，调用utils/utt2spk_to_spk2utt.pl生成$x.spk2utt - 生成性别映射
$x.spk2gender - 为sclite准备
stm文件：调用程序wav-to-duration生成${x}_dur.ark，用awk生成stm文件 - 创建假
glm文件
- 生成与x相关的
local/timit_prepare_dict.sh
生成的文件放在data/local/dict、data/local/lm_tmp和data/local/nist_lm中。
（1）准备字典
以下数据的默认路径是data/local/dict
- 将sil写到
silence_phones.txt和optional_silence.txt中 - 根据train.text生成
phones.txt - 根据phones.txt生成
lexicon.txt（将phones.txt的一列复制成两列） - 根据silence_phones.txt和phones.txt生成
nonsilence_phones.txt - 根据silence_phones.txt和nonsilence_phones.txt生成
extra_questions.txt
（2）创建音素bigram LM
- 给data/train.text的每一句抄本句首加
，放在data/lm_train.text中 - 调用
irstlm/bin/build-lm.sh生成音素语言模型，即lm_tmp/lm_phone_bg.ilm.gz - 调用
irstlm/bin/compile-lm对上一步生成的LM进行处理，输出为nist_lm/lm_phone_bg.arpa.gz
utils/prepare_lang.sh
生成的文件放在data/lang和data/local/lang_tmp中，需要用到data/local/dict中的文件。
针对timit run.sh中的参数而言，部分if分支的解释略去。
tmpdir=data/local/lang_tmp
- 调用
utils/validate_dict_dir.pl检验data/local/dict下的除phones.txt外的所有文件 - 如果没有
dict/lexiconp.txt，根据dict/lexicon.txt生成之，其格式为：音素 1.0 音素。 - 经过几个if，将dict/lexiconp.txt复制到
$tmpdir/lexiconp.txt - 根据
dict下的silence_phones.txt和nonsilence_phones.txt生成$tmpdir/phones，将此phones的一列复制成两列生成$tmpdir/phone_map.txt - 调用
utils/apply_map.pl生成lang/phones/sets.txt - 根据sets.txt生成
lang/phones/roots.txt，其中每一行的开头为shared split - 根据
dict中的silence_phones.txt、nonsilence_phones.txt、optional_silence.txt生成lang/phones下的silence.txt、nonsilence.txt、optional_silence.txt - 根据lang/phones下的silence.txt生成
lang/phones/context_indep.txt - 根据
dict中的extra_questions.txt生成lang/phones/extra_questions.txt - 生成
$tmpdir/lexiconp_disambig.txt - 生成
$tmpdir/lex_ndisambig - 根据整数变量ndisambig（此处为1）的大小，生成
phones/disambig.txt - 生成音素符号表
lang/phones.txt。将和phones/{silence,non_silence,disambig}.txt合在一起生成phones.txt，每一行的格式为：音素 编号。 - 生成
phones/word_boundary.txt，本参数下不生成该文件 - 创建单词符号表
lang/words.txt，根据$tmpdir/lexiconp.txt生成之，每一行的格式为：音素 编号。附加有、#0、 和 - 将$tmpdir/lexiconp.txt的第一列第三列提取出来生成
$tmpdir/align_lexicon.txt；并将sil - 根据$tmpdir/align_lexicon.txt生成
phones/align_lexicon.txt - 根据align_lexicon.txt、phones.txt和words.txt生成
phones/lexicon.int - 调用
utils/make_lexicon_fst.pl生成lang/L.fst - 生成
lang/oov.txt和lang/oov.int，int映射是根据words.txt生成的 - 将#0写到
phones/wdisambig.txt中，根据phones.txt将wdisambig.txt映射为phones/wdisambig_phone.int，根据words.txt将wdisambig.txt映射为phones/wdisambig_words.int - 根据phones.txt的映射，生成silence、nonsilence、optional_silence、disambig和context_indep的
int和csl版本，生成sets和extra_question的int版本，生成roots的int版本 - 调用
utils/gen_topo.pl，根据silence.csl和nonsilence.csl生成lang/topo - 调用
utils/make_lexicon_fst.pl生成lang/L_disambig.fst - 验证
lang整个目录下的文件
local/timit_format_data.sh
- 准备train、dev和test数据。创建data下创建train、dev和test目录，将data/local/data中的相应数据分别复制到data目录下相应的目录中
- 为测试准备语言模型。创建
data/lang_test_bg目录，将data/lang下的所有文件复制到该目录。根据data/local/nist_lm下的音素二元语言模型lm_phone_bg.arpa.gz生成G.fst - 验证
lang_test_bg下文件，删除data/local/lm_tmp目录
特征提取
对data下的train、dev和test数据分别调用下面两个脚本
steps/make_mfcc.sh
特征存在feats.scp中，存储的特征是每一帧13维，当用到mfcc特征的时候才计算deltas和deltas-deltas，转为39维。
脚本主要为下面几行
$cmd JOB=1:$nj $logdir/make_mfcc_${name}.JOB.log \
compute-mfcc-feats $vtln_opts --verbose=2 --config=$mfcc_config \
scp,p:$logdir/wav_${name}.JOB.scp ark:- \| \
copy-feats --compress=$compress ark:- \
ark,scp:$mfccdir/raw_mfcc_$name.JOB.ark,$mfccdir/raw_mfcc_$name.JOB.scp \
|| exit 1;
其中$cmd为run.pl
以data/train为例
- 检查。检查一些文件是否存在等
- 根据变量$nj的大小，将data/train/wav.scp平分为$nj份
- 调用
run.pl，提取特征。一个JOB处理一份wav.scp，共$nj个JOB。用到程序compute-mfcc-feats和copy-feats，生成mfcc/raw_mfcc_train.JOB.ark和对应的mfcc/raw_mfcc_train.JOB.scp文件，JOB为1到$nj的数字。 - 将$nj个
mfcc/raw_mfcc_train.JOB.scp文件合成一个data/train/feats.scp文件 - 检查。检查是否正确提取所有文件
steps/compute_cmvn_stats.sh
- 对每个说话人计算cmvn（cepstral mean and variance normalization）。
- 对每个说话人，对每一维（共13维）分别计算
count/sum/sum-squared三组statistics，分别为1维、13维、13维。count代表该说话人所有音频文件的总帧数，sum代表所有帧里每一维的和，sum-square代表所有帧里每一维的平方的和。然后根据这三组statistics，计算均值和方差。 - 可用
copy-matrixs程序查看cmvn.scp或cmvn.ark文件，对每一个说话人，有一个28维的矩阵，前十三维是sum，然后是count，接着十三维是sum-squared，最后一个0。 - 该脚本有三个选项：
--fake、--two-channel、--fake-dims
调用compute-cmvn-stats生成mfcc/cmvn_train.ark和mfcc/cmvn_train.scp，然后将后者复制到data/train/cmvn.scp
单因素训练和解码
steps/train_mono.sh
主要输出为：final.mdl和tree
- 创建sdata
data/train/split$nj（$nj为作业数，此处为30），将data/train分为$nj份 - 57 调用程序
apply-cmvn和add-deltas生成39维特征（原始的mfcc只有13维） - 65-75
run.pl调用程序gmm-init-mono初始化单音素模型，在exp/mono/下生成0.mdl和tree - 80-86 编译训练图(compiling traning graphs)，调用程序
compile-train-graphs，生成exp/mono/fsts.JOB.gz（共有$nj个JOB）；对每句话，编译FST； - 88-94 等价对齐数据（Aligning data equally），调用程序
align-equal-compiled（Write an equally spaced alignment (for getting training started)）和gmm-acc-stats-ali（Accumulate stats for GMM training.），生成exp/mono/0.JOB.acc - 99-103 调用
gmm-est对0.mdl进行重新估计，该程序对基于GMM的声学模型进行最大似然重新估计。删除exp/mono/0.*.acc，生成exp/mono/1.mdl - 109-134 开始迭代更新参数。用到程序
gmm-align-compiled（Align features given [GMM-based] models. Viterbi alignment）、gmm-acc-stats-ali和gmm-est
变量$stage的妙用：设置这个变量值，可以从中断的地方重新开始训练，不至于从头开始。比如设置该值为10，则接着第10次迭代，直接开始第11次迭代，而不用从头开始。（个人想法）
对于每个程序的用法，可以直接在命令行输入程序名查看其使用信息。
utils/mkgraph.sh
该脚本创建一个完全扩展的解码图（HCLG），该解码图表示语言模型、发音字典、上下文相关性和HMM结构。输出是一个FST。
$lang=data/lang_test_bg
required="$lang/L.fst $lang/G.fst $lang/phones.txt $lang/words.txt $lang/phones/silence.csl $lang/phones/disambig.int $model $tree"
- 由
L_disambig.fst（lexicon，发音字典）和G.fst（语言模型）生成最新的$lang/tmp/LG.fst - 生成最新的
$lang/tmp/CLG_1_0.fst 和 ilabels_1_0 和 disambig_ilabels_1_0.int，需要LG.fst和disambig.int - 生成最新的
exp/mono/graph/Ha.fst，需要文件$tree和$model - 生成最新的
exp/mono/graph/HCLGa.fst - 生成最新的
exp/mono/graph/HCLG.fst，调用程序add-self-loops - 检查
HCLG.fst是否为空 - 将
$lang下的一些文件复制到exp/mono/graph下
steps/decode.sh
Usage: steps/decode.sh [options]
- 调用
gmm-latgen-faster或gmm-latgen-faster-parallel进行解码，生成lat.JOB.gz - 如果设置变量
skip_scoring为false，则调用local/score.sh进行打分。
三音素：deltas + delta-deltas 训练和解码
steps/align_si.sh
usage: steps/align_si.sh
作用：使用src-dir中的模型对data-dir中的数据进行对齐，将结果放在align-dir中
用到的文件：
data/train/text data/lang/oov.in exp/mono/tree exp/mono/final.mdl exp/mono/final.occs
输出：
exp/mono_ali/ali.JOB.gz
- 先调用
compile-train-graphs对每句话生成FST - 再调用
gmm-align-compiled对数据进行对齐，结果放在exp/mono_ali/ali.JOB.gz - 调用
steps/diagnostic/analyze_alignments.sh对对齐结果进行分析
steps/train_deltas.sh
Usage: steps/train_deltas.sh
一段理论：
- 训练单音素系统（或者之前建立的三音素系统）是为了得到数据的时间对齐结果；对每一个在数据里看到的三音素，accumulate sufficent statistics to train a single Gaussian per HMM state.
-
stats是statistics的缩写，sufficient statistics for Gaussian are (count, sum, sum-squared)，每个状态所拥有的个数分别为（1,39,39）。 - “pdf-class” which is
normally synonymous with HMM-state. - decision tree leaves are integers, call these
pdf-ids（zero-based, buttransition-idsare one-based） -
gmm-init-model把两个对象写到模型文件中（x.mdl）：TransitionModel和AmDiagGmm。TransitionModel存储HMM transition probabilities，追踪HMM topologies（包含HmmTopology对象）。 -
traisiton-ids：对应转移概率的一个索引
流程：
- accumulating tree statistics，用到程序
acc-tree-stats和sum-tree-stats - 避免使用手工制作的语音问题集，对音素进行聚类得到问题集；一个问题只是一个音素集；用到程序
cluster-phones - compiling the questions
- build-tree
- 初始化模型
gmm-init-model