Kaldi-Timit脚本

作者: kaituoxu | 来源:发表于2016-11-07 16:15 被阅读0次

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

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<s>，句尾加</s>，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$tmpdir/lex_ndisambig
根据整数变量ndisambig（此处为1）的大小，生成phones/disambig.txt
生成音素符号表lang/phones.txt。将<eps>和phones/{silence,non_silence,disambig}.txt合在一起生成phones.txt，每一行的格式为：音素编号。
生成phones/word_boundary.txt，本参数下不生成该文件
创建单词符号表lang/words.txt，根据$tmpdir/lexiconp.txt生成之，每一行的格式为：音素编号。附加有<eps>、#0、<s>和</s>
将$tmpdir/lexiconp.txt的第一列第三列提取出来生成$tmpdir/align_lexicon.txt；并将<eps> sil补加到$tmpdir/align_lexicon.txt
根据$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sdatadata/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] <graph-dir> <data-dir> <decode-dir>

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 <data-dir> <lang-dir> <src-dir> <align-dir>
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 <num-leaves> <tot-gauss> <data-dir> <lang-dir> <alignment-dir> <exp-dir>

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, but transition-ids are 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