"yesno"语料库是一个非常小打一个人的录音数据集，测试集在单声道阶段完全被识别

WER（WordError Rate）是字错误率，是一个衡量语音识别系统的准确程度的度量。

其计算公式是WER=(I+D+S)/N，

I代表被插入的单词个数

D代表被删除的单词个数

S代表被替换的单词个数

通俗来讲是把识别出来的结果中，多认的，少认的，认错的全都加起来，除以总单词数。这个数字当然是越低越好。

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.

 

借鉴https://blog.csdn.net/shichaog/article/details/73264152?locationNum=9&fps=1

数据预处理

wav文件预处理

local/prepare_data.sh waves_yesno
local/prepare_dict.sh
utils/prepare_lang.sh --position-dependent-phones false data/local/dict "<SIL>" data/local/lang data/lang
local/prepare_lm.sh

• 生成wavelist文件

ls -1 $waves_dir > data/local/waves_all.list

上述shell命令就是把waves_yeno目录下的文件名全部保存到waves_all.list中.

local/create_yesno_waves_test_train.pl waves_all.list waves.test waves.train

• 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．
  如waves.train文件内容如下：

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．
  这两个文件内容排列格式如下

<file_id>　<wave filename with path OR command to get wave file>
如：
0_0_0_0_1_1_1_1 waves_yesno/0_0_0_0_1_1_1_1.wav

其中由于训练的scp文件如下：

• 生成train_yesno.txt和test_yesno.txt
  这两个文件存放的是发音id和对应的文本．

<utt_id><transcript>
如：
0_0_1_1_1_1_0_0 NO NO YES YES YES YES NO NO

 

• 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．

utt2spk
<utt_id><speaker_id>
0_0_1_0_1_0_1_1 global

utt2spk
<speaker_id> <all_hier_utterences>

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．
  以上生成的文件经过辅助操作均在：

data/train_yesno/
data/test_yesno/

 

目录结构如下:

data
├───train_yesno
│   ├───text
│   ├───utt2spk
│   ├───spk2utt
│   └───wav.scp
└───test_yesno
    ├───text
    ├───utt2spk
    ├───spk2utt
    └───wav.scp

 

字典准备

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。
首先创建词典目录

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
<SIL> SIL
YES Y
NO N

• lexicon.txt，完整的词位-发音对
• lexicon_words.txt，单词-发音对
• silence_phones.txt， 非语言学发音
• nonsilence_phones.txt，语言学发音
• optional_silence.txt ，备选非语言发音
  最后还要把字典转换成kaldi可以接受的数据结构-FST（finit state transducer）。这一转换使用如下命令：

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：

gsc@X250:~/kaldi/egs/yesno/s5$ ~/kaldi/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。

gsc@X250:~/kaldi/egs/yesno/s5$ head -5 data/lang/phones.txt 
<eps> 0
SIL 1
Y 2
N 3
#0 4
gsc@X250:~/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

LM（language model）在data/lang_test_tg/。

local/prepare_lm.sh

查看拓扑结构

在<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的内容如上：

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

如下的20+1个log概率对应于11个phone(0-10)。

<LogProbs> 
 [ 0 -1.386294 ... ]
</LogProbs>

接下来是高斯模型的维度39维（没有能量），对角GMM参数总共11个。

<DIMENSION> 39 <NUMPDFS> 11 <DiagGMM> 

 

在接下来就是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

为每一个训练的发音编译FST，为训练的发句编码HMM结构。

kaldi 中表的概念

表是字符索引-对象的集合，有两种对象存储于磁盘
“scp”（script）机制：.scp文件从key（字串）映射到文件名或者pipe
“ark”（archive）机制：数据存储在一个文件中。
Kaldi 中表
一个表存在两种形式：”archive”和”script file”，他们的区别是archive实际上存储了数据，而script文件内容指向实际数据存储的索引。
从表中读取索引数据的程序被称为”rspecifier”，向表中写入字串的程序被称为”wspecifier”。

rspecifier	meaning
ark:-	从标准输入读取到的数据做为archive
scp:foo.scp	foo.scp文件指向了去哪里找数据

冒号后的内容是wxfilename 或者rxfilename，它们是pipe或者标准输入输出都可以。
表只包括一种类型的对象（如，浮点矩阵）
respecifier和wspecifier可以包括一些选项：
- 在respecifier中，ark,s,cs:- ，表示当从标准输入读操作时，我们期望key是排序过的(s)，并且可以确定它们将会按排序过的顺序读取，(cs)意思是我们知道程序将按照排序过的方式 对其进行访问（如何条件不成立，程序会crash），这是得Kaldi不要太多内存下可以模拟随机访问。
* 对于数据源不是很大，并且结果和排序无关的情形时，rspecifier可以忽略s,cs。
* scp,p:foo.scp ,p表示如果scp索引的文件存在不存在的情况，程序不crash（prevent of crash）。
* 对于写，选项t表示文本模式。

script文件格式是，<key> <rspecifier|wspecifier>如utt1 /foo/bar/utt1.mat

从命令行传递的参数指明如何读写表（scp,ark）。对于指示如何读表的字串称为“rspecifier”,而对写是”wspecifier”。
写表的实例如下：

wspecifier	意义
ark:foo.ark	写入归档文件foo.ark
scp:foo.scp	使用映射关系写入foo.scp
ark:-	将归档信息写入stdout
ark,t:|gzip -c > foo.gz	将文本格式的归档写入foo.gz
ark，t:-	将文本格式的归档写入 stdout
srk,scp:foo.ark, foo.scp	写归档和scp文件

读表：

rspecifier	意义
ark:foo.ark	读取归档文件foo.ark
scp:foo.scp	使用映射关系读取foo.scp
scp,p:foo.scp	使用映射关系读取foo.scp,p：如果文件不存在，不报错
ark:-	从标准输入读取归档
ark：gunzip -c foo.gz|	从foo.gz读取归档信息
ark，s,cs:-	从标准输入读取归档后排序

特征提取和训练

特征提取，这里是做mfcc。

steps/make_mfcc.sh --nj <N> <DATA_DIR> <LOG_DIR> <MFCC_DIR> 
--nj <N>是处理器单元数
<DATA_DIR>训练语料所在目录
<LOG_DIR>这个目录下记录了make_mfcc的执行log
<MFCC_DIR>是mfcc特征输出目录

for x in train_yesno test_yesno; do
 steps/make_mfcc.sh --nj 1 data/$x exp/make_mfcc/$x mfcc
 steps/compute_cmvn_stats.sh data/$x exp/make_mfcc/$x mfcc
 utils/fix_data_dir.sh data/$x
done

该脚本主要执行的命令是：

gsc@X250:~/kaldi/egs/yesno/s5$ head -3 exp/make_mfcc/train_yesno/make_mfcc_train_yesno.1.log 
#compute-mfcc-feats --verbose=2 --config=conf/mfcc.conf scp,p:exp/make_mfcc/train_yesno/wav_train_yesno.1.scp ark:- | copy-feats --compress=true ark:- ark,scp:/home/gsc/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.ark,/home/gsc/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.scp 
copy-feats --compress=true ark:- ark,scp:/home/gsc/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.ark,/home/gsc/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.scp
compute-mfcc-feats --verbose=2 --config=conf/mfcc.conf scp,p:exp/make_mfcc/train_yesno/wav_train_yesno.1.scp ark:-

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。

~/kaldi/src/featbin/copy-feats ark:raw_mfcc_train_yesno.1.ark ark:- |~/kaldi/src/featbin/add-deltas ark:- ark,t:- | head

然后归一化导谱特征系数

steps/compute_cmvn_stats.sh data/$x exp/make_mfcc/$x mfcc

生成的文件最终在mfcc目录下：

cmvn_test_yesno.ark  
cmvn_train_yesno.ark  
raw_mfcc_test_yesno.1.ark  
raw_mfcc_train_yesno.1.ark
cmvn_test_yesno.scp  
cmvn_train_yesno.scp  
raw_mfcc_test_yesno.1.scp  
raw_mfcc_train_yesno.1.scp

详细各个命令意义，参考kaldi官网文档http://kaldi-asr.org/doc/tools.html

单音节训练

steps/train_mono.sh --nj <N> --cmd <MAIN_CMD> <DATA_DIR> <LANG_DIR> <OUTPUT_DIR>
--cmd <MAIN_CMD>，如果使用本机资源，使用utils/run.pl。

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

其每一列是（Q-from, Q-to, S-in, S-out, Cost）

解码和测试

图解码

首先测试文件也是按此生成。
然后构建全连接的FST。

utils/mkgraph.sh data/lang_test_tg exp/mono0a exp/mono0a/graph_tgpr

解码

# Decoding
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。

结果查看

for x in exp/*/decode*; do [ -d $x ] && grep WER $x/wer_* | utils/best_wer.sh; done