HTK数据准备工具-HCopy

HTK的数据准备工具主要是针对语言文件和语音标签数据文件的处理，前面介绍了处理语音标签数据文件的处理工具，如下：

1. HLEd。根据发音词典，自动对标签文件进行标记。该工具还可以对标签文件进行编辑处理，其实主要是对标签文件进行编辑，按照发音词典进行扩展也是编辑的一种，另外可以对发音词典进行替换、删除、写入等编辑操作。参见：数据准备工具-HLEd
2. HLStats。这个工具主要是对标签文件根据发音词典展开之后的标记文件和HMM模型列表进行统计。参见：数据准备工具-HLStats

上面的两个工具都是对标签文件进行处理，包括自动标记及统计等功能，当然，需要发音词典作为输入，其实也是根据发音词典而统计的单音列表。

本文讨论对音频数据文件的处理工具：HCopy。这个工具是将原始的音频数据文件（如WAV）转换成HTK格式的参数文件。

一，使用语法

 HCopy [options] sa1 [+sa2+...] ta [sb1 + [+sb2+...] tb ...]

命令行解释：将输入的源文件sa1,sa2等合并起来，然后输出至目标文件ta中。sb1及sb2等源文件连接起来，然后输出至目标文件tb中，后面还可以再有这样的输入和输出格式。如

 HCopy srcA.wav + srcB.wav targetAB.wav srcC.wav targetC.wav

这个命令会创建两个新的文件，如果有很文件需要处理，这肯定很麻烦，可以把所有需要转换的文件写入一个文本文件，然后把这个文本文件作为-S的参数。

不是所有的文件都可以自由转换的，这个工具支持的输入和输出转换格式如下图所示：

一般用的比较多的是从WAVEFORM转换至MFCC。

二，命令选项

命令的一些常用选项如下：

1. -C configfile。指定工具命令的配置文件，这个文件可以指定源文件类型以及目标文件的类型，还可以源文件和目标文件的一些基本头属性。
2. -s f 。从源文件开始复制至目标文件的时间，默认是0.0。这个的意思是说，从源文件的什么时间开始复制至目标文件，如源文件的前3秒钟，我们不需要。就可以用到这个选项了。如我们需要指定从0.1秒开始，就需要指定-s 1E6，因为是以100ns为单位的。
3. -e f。和上面的选项对应，表示从源文件复制的结束时间，就是从开始复制到多少时间之后，就结束复制。
4. -i mlf。输出标签标记文件，如果输入文件是HTK的标记文件的话。
5. -l s。指定标签标记文件的输出目录，默认是当前目录。
6. -F fmt，指定源文件数据格式。
7. -G fmt，指定标签标记文件格式。
8. -I mlf。加载标签标记文件。

三，实际例子

假如现在有sample01.wav sample02.wav等10个音频文件，我需要把这些文件全部转换成Mel倒谱系数MFCC特征文件，操作如下：

 完成脚本文本，如下。script.scp

 ./wav/sample01.wav ./mfcc/sample01.mfcc
 ./wav/sample02.wav ./mfcc/sample02.mfcc
 ./wav/sample03.wav ./mfcc/sample03.mfcc
 ./wav/sample04.wav ./mfcc/sample04.mfcc
 ./wav/sample05.wav ./mfcc/sample05.mfcc
 ./wav/sample06.wav ./mfcc/sample06.mfcc
 ./wav/sample07.wav ./mfcc/sample07.mfcc
 ./wav/sample08.wav ./mfcc/sample08.mfcc
 ./wav/sample09.wav ./mfcc/sample09.mfcc
 ./wav/sample10.wav ./mfcc/sample10.mfcc

然后配置文件config

 SOURCEKIND     = WAVEFORM
 SOURCEFORMAT   = WAV
 SOURCERATE     = 1250
 TARGETKIND     = MFCC_E_D_A_Z
 TARGETRATE     = 160000.0
 WINDOWSIZE     = 320000.0
 NUMCHANS       = 24
 NUMCEPS        = 12

这个配置文件表示输入类型是WAVEFORM，源文件格式是WAV，1250表示采样频率是8KHZ。输出类型为MFCC。160000表示Frame period是16ms，320000表示一个时间帧的长度是32ms。12表示MFCC系数的个数。

然后执行命令，结果如下

 [root@localhost data]# HCopy -A -D -T 1 -C ./config -S ./script.scp
 HCopy -A -D -T 1 -C ./config -S ./script.scp

 HTK Configuration Parameters[8]
   Module/Tool     Parameter                  Value
 #                 NUMCEPS                       12
 #                 NUMCHANS                      24
 #                 WINDOWSIZE         320000.000000
 #                 TARGETRATE         160000.000000
 #                 TARGETKIND          MFCC_E_D_A_Z
 #                 SOURCERATE                  1250
 #                 SOURCEFORMAT                 WAV
 #                 SOURCEKIND              WAVEFORM

 ./wav/sample01.wav -> ./mfcc/sample01.mfcc
 ./wav/sample02.wav -> ./mfcc/sample02.mfcc
 ./wav/sample03.wav -> ./mfcc/sample03.mfcc
 ./wav/sample04.wav -> ./mfcc/sample04.mfcc
 ./wav/sample05.wav -> ./mfcc/sample05.mfcc
 ./wav/sample06.wav -> ./mfcc/sample06.mfcc
 ./wav/sample07.wav -> ./mfcc/sample07.mfcc
 ./wav/sample08.wav -> ./mfcc/sample08.mfcc
 ./wav/sample09.wav -> ./mfcc/sample09.mfcc
 ./wav/sample10.wav -> ./mfcc/sample10.mfcc

 HTK Configuration Parameters[8]
   Module/Tool     Parameter                  Value
                   NUMCEPS                       12
                   NUMCHANS                      24
                   WINDOWSIZE         320000.000000
                   TARGETRATE         160000.000000
                   TARGETKIND          MFCC_E_D_A_Z
                   SOURCERATE                  1250
                   SOURCEFORMAT                 WAV
                   SOURCEKIND              WAVEFORM

命令执行完成后，就会生成10个mfcc格式文件，完成数据源的复制，也是数据训练的准备。