语音标注自动音段对齐工具SPPAS使用笔记

[更新日期：2019年08月08日  。咨询邮件[email protected]，请务必附件样例以及有问题脚本，出错提示等，否则不予回复]

      SPPAS工具是由Brigitte Bigi（Laboratoire Parole et Langage - Aix-en-Provence - France）开发的。在网上提供免费下载及使用。这是一款目前比较流行的自动标注，音段对齐的工具，目前应用于法语、英语、汉语等都有不错的效果。虽然音段自动对齐的准确率并不完善，但是对于一般的语音研究者来说，能够自动产生出带有音段信息，并且边界相对整齐的Praat标注文件TextGrid已经是大大提升了工作效率。所以推荐给进行语音研究，而且数据量规模很大的朋友。

      有关于这个工具的详细说明，介绍，文档，由此相关的论文等信息请参阅官方网站：http://www.sppas.org/。在这里只是把使用的时候注意的一些地方写出来，以方便一些可能对插件包安装使用并不熟悉的同学。

       首先是一些使用时的注意事项，请想使用软件的同学务必仔细看一下是否符合。

• 标注文件，及声音对应的文本文件，都必须是UTF8格式
• 声音文件必须是单通道文件，16位精度，格式为WAVE或者AU；
• 所有的文件名称中没有特殊字符，比如中文，空格都不允许，推荐只出现字母，下划线，数字或者横线
• 声音文件和对应的文本文件名称必须完全一致
•  
• 具体使用步骤应该是
  • 安装工具，在自己的电脑上配置这个工具使用的环境(需要安装三个其它工具)
  • 语音最好是录音条件比较好的数据，即录音环境很安静。发音人语音清晰，这样会明显提升自动标注效果。如果是在嘈杂环境的录音，野外录音，这样的自动标注效果很差。
  • 录音文件每一单位之间，最好有比较清楚的停顿，比如你是录音很多字、词，那么发音人在读字，词之间时，最好有一些停顿；如果是录音很多句子，那么句子之间也要有明显的停顿，这样也可以提高自动标注精度；
  • 然后将这样的文件都添加到SPPAS操作窗口里，选择相应的语言，选择音段对齐选项，点击“执行”就可以产生出来音段对齐的TextGrid了
• 这其中对于如何把工具环境安装好，对于只有文科基础的同学不太容易操作，但是一旦安装好了，以后就可以直接使用了。

      本文力求对每个环节都写的简单一些，让更多想使用这个工具的人能够很快的将工具配置好，节省自己的工作效率。

 

1. 安装

     这部分主要就是大概翻译了一下官方网站上的Installation这一部分。

1. windows环境下的安装：官方网站现在没有区分如何安装32位以及64位，这是因为现在的系统比如win7,win10是64位的很多，而32位的软件在64位的电脑上运行是没有问题的。所以官方网站只提供了一种，就是32位的安装，如果你的电脑系统是64位，同样也可以使用，我自己已经做过测试。没有问题。

2. Python installation

   1. Python的官方网站是：https://www.python.org/，下载页在：https://www.python.org/downloads/release/python-2713/，请选择32位下载，Windows x86 MSI installer。上面已经说明过，不需要专门针对64位的机器下载64位，尤其对于初学者，32位可以将Python的bin目录增加到系统环境变量里，而64位有时候需要手工增加，如果你熟悉这个操作，可以选择64位Python安装，这里以32位为准。
   2. 安装过程即和常规安装软件的过程类似，第一步使用默认方式就可以，即安装给该系统所有用户使用。   

      

   3. 第二步，安装的路径，不建议目录太深，最好在常用盘，比如C盘或者D盘的根目录下，如图所示，在C盘根目录下的Python27就可以，27表示是2.7版本，有其它开发需求的朋友可能也会安装Python3.4以上版本，所以这里也要注意区分。

      

   4. 在这一步，给出了64位和32位安装的区别，左边是64位，右边是32位，右边有一个选项，可以将Python.exe设置到系统的环境变量里。

      

   5. 最后安装成功。

      

3. WxPython installation

   1. WxPython是辅助Python实现可视化界面的。可以根据前面安装Python选择32位或者64位：
   2. 32位：https://sourceforge.net/projects/wxpython/files/wxPython/3.0.2.0/wxPython3.0-win32-3.0.2.0-py27.exe/download
   3. 64位：https://sourceforge.net/projects/wxpython/files/wxPython/3.0.2.0/wxPython3.0-win64-3.0.2.0-py27.exe/download
   1. 安装过程如下，第一步直接点下一步就可以。

      

   2. 这一步也是选择接受协议Accept the agreement直接点下一步。

      

   3. 第三步很关键，这个路径一定要和前面Python27目录保持一致，在本例中Python安装在C盘，则象下面这样，这样的路径才是正确的。site-packages表示WxPython作为一个 模块包，在Python里。

   4. 最后，这三个选项默认都选中，点击finish.

   5. 

4. Julius installation

   1. Click here to downloadJulius (release >= 4.1)     
   2. 这个组件不需要安装，直接解压到一个目录里
   3. 打开这个目录，打开bin目录，找到Julius.exe，注意因为本文下载的是Julius 4.3.1版本，所以其实这个文件名称是Julius-4.3.1.exe，即要把这个文件拷贝到C:\windows\目录下，并且改名为：julius.exe  
   4. 注意：64位机器不需要找专门的这个版本，就使用和第（3）同样的方式操作就可以了，已经测试过，是成功了。
   5. 

5. SPPAS工具的下载安装

   1. 下载新版本的SPPAS。
   2. 下载后直接解压到磁盘根目录下，比如D盘下。D:\sppas\，目录级别不要太深。
   3. 打开后，直接打开里面的sppas.bat，就可以运行了。

   4. 

   5. 打开之后是这样的界面，注意Setting里面需要设置结果文件为TextGrid，现在软件默认的是xra文件。

   6. 

 2. 制作声音文件和文本

• 手工制作声音文件和文本文件：
  • 手工录音，然后分别针对每一个录音单位制作文本文件
  • 
  • 注意声音文件和文本文件是对应出现的。文件名称必须一样。而文本文件，比如Sound_1.txt里面就是这个声音的内容，没有其它多余信息。如红色箭头所指。在保存这个文本文件的时候，需要注意编码格式为UTF-8格式，如下面的红色方框所示。
• 批量制作声音文件和文本文件
  • 使用前面的文章《Praat 将连续录制的声音文件切成小单位文件》介绍的方法，可以对连续录制的很长的声音文件切分成小的单位文件。在这里要继续使用这个脚本产生的文件名列表，fileList.txt，这个文件里是这样的

  • order	filename	sentence
    1	Sound_1.wav
    2	Sound_2.wav
    3	Sound_3.wav
    4	Sound_4.wav
    5	Sound_5.wav
    6	Sound_6.wav
    7	Sound_7.wav
    8	Sound_8.wav

  • 我们利用产生的文件名，把录音对应的内容，和文件名对应起来。如下面所示

  • Sound_1.wav	关心
    Sound_2.wav	刚刚
    Sound_3.wav	单一
    Sound_4.wav	糟糕
    Sound_5.wav	新鲜
    Sound_6.wav	餐厅
    Sound_7.wav	西瓜
    Sound_8.wav	车厢

     

  • 然后再使用，本人编写的另外一个工具，可以直接产生有这些内容的文本文件，工具下载地址如下：

    • 批量产生有内容列表的UTF-8格式文本文件

  • 产生的文件内容如下，之所以使用这样的工具产生文本，主要是为了产生UTF-8格式的文本文件。

  • 

3. 导入SPPAS进行切分

1. 经过上面的步骤，我们已经制作了批量的声音文件和文本文件，把这些文件放在同一个目录内：
   1. 
2. 然后打开SPPAS这个工具，点击Add files将声音文件添加到窗口里，同时，有同样文件名的txt也会被添加到窗口里，把这些文件通过使用ctrl或者shift键，全部选择，然后把右侧的几个对齐的选项选择，并且在语言里选择相应的语言，比如这里选择的是中文，cmn。
   1. 
3. 点击右下角的这个长的按钮，就是执行按钮，然后系统就会自动产生出来对齐音段的TextGrid文件。
4. 一般情况下，会同时产生几个TextGrid
   1. 
5. 我们只需要最终的结果Sound_-palign.TextGrid文件。
6. 这就是最终的结果：可以看到，准确度并不高，但是省去了很多人工的添加边界，输入字符的过程。
7.