语音识别之Kaldi学习GMM-HMM

语音识别之Kaldi

kaldi语音识别理论与实践课程学习。

前面的博客介绍了语音识别的基础知识及原理。现在开始学习实战。以Kaldi框架为基础。

Kaldi是一个有全套的语音识别代码的工具，由Dan Povey博士和捷克的BUT大学联合开发，最早发布于2011年，底层代码使用C++编写，接口采用shell和python，覆盖了统计模型和深度学习方法，操作灵活，易于扩展，开发者更为活跃。

语音识别流程：

目前开源的语料库有：

Kaldi实战

Kaldi官网：KALDI

里面有详细的文档。

• 下载Kaldi：https://github.com/du-ud/kaldi-cslt.git 注： 安装kaldi前， 已编译好cuda
• 下载数据集：（开源数据集thchs30） OpenSLR： https://openslr.org/18/

整个流程包括以下几个部分：

数据准备

数据预处理
1.划分为训练集train和测试集test

输入： 数据存储地址
输出： 在当前目录下新生成的 /data 文件夹，里面如下图。train和test里的文件夹名字一样，但内容不一样，不然就是作弊了。

• wav.scp：音频索引地址
• text：音频文件对应的文本内容 这个文本内容中间有一些空格，因为是经过了分词处理
• utt2spk：每个句子是有哪个说话人说的
• spk2utt：每个说话人都说了哪些句子 为什么有后两个文件夹呢？ 因为之前的数据比较稀少，说话人对语音识别性能的影响比较大，可能同一套ASR对这个人识别效果好，对另一个人就不行。现在可以通过某种算法，先提取说话人信息，将该信息从说话人模型中去除，就可以较小不同说话人的影响。但后面随着数据的增多，就不用去除了。

2.生成dict文件夹

dict 文件夹里如下：

去除了lexion里面的一些特殊符号。首先打开看一下：

cd data/dict/
vim lexicon.txt

lexion是一个发音词典，表示每个字的读音，但它的注音和我们的拼音不太一样但也差不多

再看看lang里面的

cd data/dict/
vim extra_questions.txt

将具有相同还声调的音归为一行，为了有助于GMM训练时决策树的聚类。如果后面训练别的语种，不知道这些信息的话就把这和文件设为空。

cd data/dict/
vim nonsilence_phones.txt

去除静音音素之外，所有音素的集合。

3.生成lang文件夹
是在dict基础上生成的。
首先在data文件夹下建一个lang文件夹，调用prepare_lang.sh这个脚本，输入是dict文件，输出在lang文件夹下。

里面的两个参数：
第一个考虑到英文的某个单词是另一个单词的前缀或后缀（位置相关），在数据有限的情况下，考虑位置信息提高性能。数据量大的话不用考虑。
第二个就是系统将不认识的词映射到oov里面。

lang文件夹里如下：

• L.fst：音素到词的映射关系。输入的是音素，输出是词。

cd data/lang
fstprint L.fst |head-n20

例：第一行
前两个数，表示从0状态跳转到1状态
三四数：输入输出表达的什么东西
第五个数：跳转的概率

加上输入phones和输出words重新打印

cd data/lang
fstprint --osymbols=words.txt --isymbols=phones.txt L.fst |head-n20

第三列：phone的id
第四列：word的id
第五列：预先赋予的跳转概率（给eps, spokenNoise等这些特殊符号的），下面那些词的概率需要经过声学&语言模型的训练得到的。

• oov：将不认识的集外词映射到里面去。
• phones.txt：音素映射表，对每个音素进行编号
• phones文件夹：用于决策树聚类 我们看一下里面

cd data/lang
head-n20 phones.txt

出现下图中间的一个。

数据准备-phone、word与lexicon的关系

• words.txt：词映射表，对每个词进行编号 里面的词和发音词典的词基本一一对应（发音词典大概有五万多个词，对应的词表只有四万九千多个，近几年的新词还没包含进去）

cd data/lang
head-n20 words.txt

• topo：拓扑图,隐马尔可夫网络HMM

cd data/lang
vim topo

里面有两个HMM网络，一个是普通音素的，一个是静音音素的。
下图从2到218就是phone的id， 然后是HMM的三个跳转状态和一个输出状态。

跳转状态图：

特征提取

目前常见的两种特征。一般MFCC特征用于GMM训练，FBANK特征用于DNN训练。

先删除残留文件夹，新建两个目录，将训练集和测试集复制进去。
提取MFCC及FBank特征，并计算其均值和方差。

MFCC和FBank特征提取原理：

计算MFCC命令

. ./path.sh
compute-mfcc-feats

比如：参数1和2就是降采样和升采样。这些选项可以放到.conf配置文件里面。

生成如下目录：

cd data/mfcc/train
ls

查看MFCC:

. ./path.sh
cd data/mfcc/train/data
copy-feats ark:raw_mfcc_train.1.ark ark,t:train.1.ark.txt
vim train.1.ark.txt

行:帧数,一帧为一行
列:维度,MFCC特征默认13维

以A02_000音频为例：

然后看下均值方差，是按每个说话人提取的

. ./path.sh
cd data/mfcc/train/data
copy-feats ark:cmvn_train.ark ark,t:cmvn_train.ark.txt
copy-feats --binary=false ark:cmvn_train.ark ark:cmvn_train.ark.txtvim train.1.ark.txt

行:均值总和、方差总和

查看log：
kaldi的log非常全，索引对不上，采样不一致等问题都有。

cd data/mfcc/train/log/
vim make_mfcc_train.1.log

GMM训练

整体过程：
共有5大模块，可分为10小步。每两步一个模块。
1.先训练一个单音素模型；2.对齐
3.再训练一个三音素模型；4.对齐
5.用lda等算法重估GMM模型； 6.对齐
…

mono单音素模型训练

命令如下，

steps/train_mono.sh --boost-silence 1.25--nj10--cmd"run.pl" data/mfcc/train data/lang exp/mono

参数：
–boost-silence：静音音素权重设置，1.25 一般不用改
–nj 10：就是用10个线程（小于等于训练集中说话人数量）
run.pl：在本机跑

输入1： MFCC数据 （ data/mfcc/train）
输入2： lang （data/lang）
输出： 单音素模型（exp/mono）

具体流程：

• 模型初始化：有GMM模型的均值、方差，和隐马尔可夫的转移矩阵。随机生成，其实也不是真正随机，用了训练集的部分特征。
• 制作graph：需要输入上一步初始化的模型，lang文件中的L.fst，词表，以及训练集中的标注文本。生成结果是一个从句子到音素的fst压缩包，是训练集中每一个音频对应的文本标签生成的，一个文本标签生成一个fst。（句子-词-字-拼音-音素-HMM中的状态）
• 等对齐：均匀对齐。现在要将MFCC特征和fst对应起来。 黄色是MFCC特征，每条是一帧，一帧是13维。 要与下面的fst对齐。（只画到音素级别） 什么是均匀对齐？就是假如现在是4个音素，对应100帧，那就平分，每个音素对100/4=25帧。统计这25帧的均值和方差，就是一个高斯模型了。 后面还有三音素模型（考虑了协调发音）： 但存在一个问题：本来有两百多个音素，但考虑了前后协同发音，就成了200* 200* 200个了，这个数量太大了。 解决办法：决策树聚类（将具有相近发音的音素归为一类，集中训练）
• 模型重估：现在已经统计了全部数据的特征，也通过对齐知道了每帧对应的状态，以及每个状态的跳转概率。基于这些信息对模型进行重估。
• 对齐信息：用重估后的统计量和前面的fst生成新的对齐信息。注意，此时不是均匀对齐了，此时过程可理解为一个模型对训练集的解码过程，把每帧特征放到每个状态对应的GMM里算概率，得到每个状态的后验概率，概率最大的音素作为这一帧对应的音素。 此时可能第一个音素20帧，第二个音素28帧等等。
• 统计计算：计算每个音素跳转的次数占全部跳转次数的比例。得到每个状态的跳转概率，又进行模型重估，重复该过程（重复次数可以自己设置，默认40次）。

跑完代码生成的东西：
在mono文件夹里

final.occs：简单理解为全局统计量，每个音素对应几个状态的信息
aligz：每迭代一次，对齐信息跟新一次
fst..gz：训练集中每条语音对应的文本信息（句子-词-字-拼音-音素-HMM中的状态）都在这里面

final模型查看

声学模型不能直接代开看，用kaldi自带的命令打开：

gmm-copy --binary=false final.mdl final.mdl.txt

1-23行是HMM的拓扑图。7-10行是音素编号为2-218的HMM，其状态有3个。16-21行是音素编号为1的HMM，其状态有5个，也就是静音音素。24行是决策树聚类数，656类。

为什么是656类呢？

左图：25-29行是中间一列0-4(静音)，剩下的都是0，1，2。
右图：第一列共218个音素，第二列状态，第三列决策树聚类数。

静音是5个状态，剩下都是3状态：217* 3+5=656

后面还有如下信息：

MFCC维度39：因为作了一阶二阶差分（13+13+13）
Weigh两个：说明是两个单高斯组成的GMM
均值39列，方差39列

GCONSTS的超参是什么呢？

W权重，后面是标准的高斯。取出了与x无关的项，提前计算好，这样后面就可以减少计算量。

final.occs查看

show-transitions phones.txt final.mdl final.occs > final.occs.txt

对每个HMM的描述

以前5行为例，描述状态1到1（自环），2，3，4的过程。

提特征按帧级别提的，
训练也是按帧级别训练的，
训练的结果是什么？

对齐信息查看

. ./path.sh
ali-to-phones

里面是每个phone的对齐信息

每个phone-id对应的音素是什么？

cd exp/mono
gunzip -c ali.1.gz | ali-to-phones --per-frame=true final.mdl ark:- ark,t:- |../../utils/int2sym.pl -f2- phones.txt

每帧特征对应的音素，

每个音素持续的时间是多久？

gunzip -c ali.1.gz | ali-to-phones --ctm-output=true final.mdl ark:- -|../../utils/int2sym.pl -f5 phones.txt

以A02_000为例：

文本内容：
绿 是 阳春 烟 景 大块 文章 的 底色 四月 的 林 峦 更是 绿 得 鲜活 秀媚 诗意 盎然

比如：前0.87s都是静音段，绿这个字lv4，从0.87s到0.1s，持续了0.1+0.2s=0.3s。可以用音频播放软件看看对的准不准。

网格信息查看

cd exp/mono
gunzip fsts.1.gz
fstcopy ark:fsts.1 ark,t:fsts.1.txt

存的词、字、音素、状态之间的映射关系，跳转关系

决策树

cd exp/mono
tree-info tree

里面有三行信息：

context-width：单音素模型就是1，三音素就是3
central-position：单音素就是0，三音素就是1（0，1，2,看到1就是中间位置）

画出决策树：

cd exp/mono
draw-tree phones.txt tree | dot -Gsize=8,10.5 -Tps| ps2pdf - tree.pdf

静音的HMM有5个状态，其他都是3个。

log分析:

用于检查错误

init.log：模型初始化时产生的
compile.log：fst时产生的
align.log：对齐时产生的

这样，就完成了下图流程中的第1，2，3步。

同样的方法，进行第4步：

训练aligh_si.sh

steps/align_si.sh --boost-silence 1.25--nj10--cmd"run.pl"
data/mfcc/train data/lang exp/mono exp/mono_ali

此时：

查看mono_ali.sh生成内容：

cd mono_ali
gunzip -c ali.1.gz | ali-to-phones --ctm-output=true final.mdl
ark:- -|../../utils/int2sym.pl -f5 phones.txt

对齐信息和之前一样，说明单音素模型迭代没有效果，就这样了，需要新的算法来提升模型对齐能力。

GMM训练-对比mono_ali、 tri4b_ali对齐信息
A02_000文本：
绿 是 阳春 烟 景 大块 文章 的 底色 四月 的 林 峦 更
mono tri4b 是 绿 得 鲜活 秀媚 诗意 盎然

mono_ali: sox A2_0.wav part.wav trim 0.870.3

tri4b_ali : sox A2_0.wav part.wav trim 0.860.29

此时对齐的时间不一样了。