从yesno模型入门kaldi语音识别

yesno模型

kaldi常用工具 http://blog.csdn.net/zjm750617105/article/details/52548798

kaldi官网工具大全http://kaldi-asr.org/doc/tools.html

yesno孤立词识别kaldi脚本http://www.cnblogs.com/welen/p/7485151.html

执行 run.sh入口程序

# 数据处理阶段

一. 训练和测试数据预处理阶段

执行local/prepare_data.sh waves_yesno

1. 是把waves_yeno目录下的文件名全部保存到waves_all.list中.

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

2.使用perl脚本create_yesno_waves_test_train.pl把样本集一半数据共30个用作训练文件名列表存在 data/local/waves.train，另一半共30个识别测试文件名列表存到data/local/waves.test。

3.create_yesno_wav_scp.pl脚本把waves.test文件进行标注存到data/local/test_yesno_wav.scp,格式：

1_0_0_0_0_0_0_0 waves_yesno/1_0_0_0_0_0_0_0.wav

1_0_0_0_0_0_0_1 waves_yesno/1_0_0_0_0_0_0_1.wav

4.create_yesno_wav_scp.pl脚本把waves.train进行标注存到data/local/train_yesno_wav.scp,格式：

0_0_0_0_1_1_1_1 waves_yesno/0_0_0_0_1_1_1_1.wav

0_0_0_1_0_0_0_1 waves_yesno/0_0_0_1_0_0_0_1.wav

…

5.create_yesno_txt.pl脚本把waves.test进行标注到data/local/test_yesno.txt,格式：

1_0_0_0_0_0_0_0 YES NO NO NO NO NO NO NO

1_0_0_0_0_0_0_1 YES NO NO NO NO NO NO YES

…

6.create_yesno_txt.pl脚本把waves.train进行标注到data/local/train_yesno.txt,格式：

0_0_0_0_1_1_1_1 NO NO NO NO YES YES YES YES

0_0_0_1_0_0_0_1 NO NO NO YES NO NO NO YES

…

7. data/local 目录创建一个文件lm_tg.arpa内容：

\data\

ngram 1=4

\1-grams:

-1 NO

-1 YES

-99 <s>

-1 </s>

\end\

8. 从WSJ样本复制阶段

8.1.创建目录data/train_yesno 和data/test_yesno

8.2. 把data/local/test_yesno_wav.scp 复制到data/test_yesno/wav.scp

把data/local/train_yesno_wav.scp 复制到data/train_yesno/wav.scp

8.3.把data/local/train_yesno.txt 复制到 data/train_yesno/text

把data/local/test_yesno .txt 复制到 data/test_yesno/text

8.4.通过awk文本处理工具处理text文本输出到 data/train_yesno/utt2spk文件和 data/test_yesno/utt2spk文件，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．格式：

1_0_0_0_0_0_0_0 global

1_0_0_0_0_0_0_1 global

1_0_0_0_0_0_1_1 global

...

8.5.通过 utils/utt2spk_to_spk2utt.pl 脚本把 utt2spk 转换成spk2utt 格式：

global 1_0_0_0_0_0_0_0 1_0_0_0_0_0_0_1 1_0_0_0_0_0_1_1 1_0_0_0_1_0_0_1 1_0_0_1_0_1_1_1 1_0_1_0_1_0_0_1 1_0_1_1_0_1_1_1 1_0_1_1_1_0_1_0 1_0_1_1_1_1_0_1 1_1_0_0_0_0_0_1 1_1_0_0_0_1_1_1 1_1_0_0_1_0_1_0 1_1_0_0_1_0_1_1 1_1_0_0_1_1_1_0 1_1_0_1_0_1_0_0 1_1_0_1_0_1_1_0 1_1_0_1_1_0_0_1 1_1_0_1_1_0_1_1 1_1_0_1_1_1_1_0 1_1_1_0_0_0_0_1 1_1_1_0_0_1_0_1 1_1_1_0_0_1_1_1 1_1_1_0_1_0_1_0 1_1_1_0_1_0_1_1 1_1_1_1_0_0_1_0 1_1_1_1_0_1_0_0 1_1_1_1_1_0_0_0 1_1_1_1_1_1_0_0 1_1_1_1_1_1_1_1

此时目录结构如下:

data

├───local

<span style="color:#00000a"><code>│   ├───</code><code>waves.train</code>
<code>│   ├───</code><code>waves.test</code>
<code>│   ├───</code><code>test_yesno_wav.scp</code>
<code>│   ├───</code><code>train_yesno_wav.scp</code></span>

│ ├───test_yesno.txt

<span style="color:#00000a"><code>│   ├───</code><code>lm_tg.arpa</code>
<code>│   └───</code><code>waves_all.list			 </code>
<code>├───</code><code>train_yesno</code>
<code>│   ├───</code><code>text</code>
<code>│   ├───</code><code>utt2spk</code>
<code>│   ├───</code><code>spk2utt</code>
<code>│   └───</code><code>wav.scp</code>
<code>├───</code><code>test_yesno</code>
<code>│   ├───</code><code>text</code>
<code>│   ├───</code><code>utt2spk</code>
<code>│   ├───</code><code>spk2utt</code>
<code>│   └───</code><code>wav.scp		 </code>
</span>

二. 字典预处理阶段

执行local/prepare_dict.sh

1. 创建词典目录data/local/dict 和复制文件：input/lexicon_nosil.txt 到data/local/dict/lexicon_words.txt ; input/lexicon.txt 到data/local/dict/lexicon.txt

lexicon_words.txt内容：

YES Y

NO N

lexicon.txt 内容：

<SIL> SIL

YES Y

NO N

2. cat input/phones.txt | grep -v SIL > data/local/dict/nonsilence_phones.txt 使用反转查找（排除）文件中SIL 并且存到另一个文件 nonsilence_phones.txt 内容：

3. data/local/dict/silence_phones.txt 和 data/local/dict/optional_silence.txt 内容：

SIL

此时目录结构如下:

<span style="color:#00000a"><code>data</code></span>

├───local

<span style="color:#00000a"><code>│   └───</code><code>dict</code>
<code>│       ├───</code><code>lexicon_words.txt</code>
<code>│       ├───</code><code>lexicon.txt</code>
<code>│       ├───</code><code>nonsilence_phones.txt</code></span>

│ ├───silence_phones.txt

<span style="color:#00000a"><code>│       └───</code><code>optional_silence.txt</code>


</span>

三. 执行命令

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

1. 调用这个脚本处理传入的参数

. utils/parse_options.sh

1.1 把传入的—position-dependent-phones处理成 position_dependent_phones 然后通过之后的代码把第二个参数false赋值给他

name=`echo "$1" | sed s/^--// | sed s/-/_/g`

1.2 最后左移两个参数，参数列表变为：

utils/prepare_lang.sh data/local/dict "<SIL>" data/local/lang data/lang

2. 四个变量，方便阅读代码

srcdir=$1 #data/local/dict

oov_word=$2 #<SIL>

tmpdir=$3 #data/local/lang

dir=$4 #data/lang

3. 执行不启动新的shell执行脚本设置环境变量

. ./path.sh

执行脚本设置环境变量 KALDI_ROOT和 PATH

kaldi/tools/env.sh

4. 执行命令检测词典文件内容是否正确

utils/validate_dict_dir.pl $srcdir

检测silence_phones.txt optional_silence.txt nonsilence_phones.txt 等文件格式是否正确（主要是匹配应该没有\r \n，是否为文件是空的，或是phones的结尾不应该是 _B, _E, _S 或 _I 这些容易混淆的符号，内容是否重复）

(检查silence_phones.txt, nonsilence_phones.txt内容互斥)

(通过 check_lexicon_pair函数检查词典是否成对lexicon.txt lexiconp.txt ）

检测data/loacal/dict/extra_questions.txt 不存在输出"--> data/loacal/dict/extra_questions.txt is empty (this is OK)\n"

5. 检查文件$srcdir/lexicon.txt是否为普通文件，不是普通文件则执行该指令

perl -ape 's/ (\S+\s+)\S+\s+(.+)/$1$2/;' < $srcdir/lexiconp.txt > $srcdir/lexicon.txt || exit 1;

这个perl -ape 命令应该是-a -p -e ，后面是字符匹配替换，$1代码第一个括号$2代表第二个括号内容，\S+ 多个非空格 \s+ 多个空格 .+ 匹配一次或多次任何字符。

（注：本代码为普通不执行后面代码）。

6.命令复制文件内容：

cp $srcdir/lexiconp.txt $tmpdir/

lexiconp.txt内容：

<SIL> 1.0 SIL

YES 1.0 Y

NO 1.0 N

命令读取两个文件合并到phones文件，

cat $srcdir/silence_phones.txt $srcdir/nonsilence_phones.txt | \

awk '{for(n=1;n<=NF;n++) print $n; }' > $tmpdir/phones

data/local/lang/phones文件内容：

SIL

命令作用是把两个文件列合并到新文件

paste -d' ' $tmpdir/phones $tmpdir/phones > $tmpdir/phone_map.txt

phone_map.txt内容：

SIL SIL

Y Y

N N

创建目录 data/lang/phones 一系列音素的集合

mkdir -p $dir/phones

官方文档：phones目录下包含许多不同的音素集的信息，每个文件都有三种形式，扩展名为.csl, .int 和 .txt是相同信息的三种不同格式。这些文件可以用这个脚本"utils/prepare_lang.sh"创建。

命令主要 apply_map.pl脚本作用读入 phone_map.txt文件每行两个数据段用hash映射键值对存储，然后读入$srcdir/{,non}silence_phones.txt数据，用此数据作为键取之前hash的值并输出到sets.txt文件，在之后生成的.int文件是音素集合

cat $srcdir/{,non}silence_phones.txt | utils/apply_map.pl $tmpdir/phone_map.txt > $dir/phones/sets.txt

不同的silence 音素拥有不同的 GMMs. [注意: 这里所有的"shared split" 意思是对于所有状态我们可能拥有一个GMM,或者我们能够分割状态。因为他们是上下文-依赖音素（context-independent phones），他们看不到上下文context]（来源：prepare_lang.sh注释）

sets.txt 内容：

SIL

命令生成的这个roots文件让所有silence音素共享同一个概率密度函数。

cat $dir/phones/sets.txt | awk '{print "shared", "split", $0;}' > $dir/phones/roots.txt

roots.txt内容：

shared split SIL

shared split Y

shared split Nlex_ndisambig

7. 下面命令其中|代表管道，执行 utils/apply_map.pl 传到脚本的第一个值 $tmpdir 第二个值是$srcdir/silence_phones.txt 的内容，然后把脚本运行的结果传给后并输出到文件中属于标准输入<STDIN>读取；整个指令目的是匹配两个文件相同的字符输出到新文件

cat $srcdir/silence_phones.txt | utils/apply_map.pl $tmpdir/phone_map.txt | \

awk '{for(n=1;n<=NF;n++) print $n;}' > $dir/phones/silence.txt

silence.txt 内容：

SIL

8.命令生成nonsilence.txt文件

cat $srcdir/nonsilence_phones.txt | utils/apply_map.pl $tmpdir/phone_map.txt | \

awk '{for(n=1;n<=NF;n++) print $n;}' > $dir/phones/nonsilence.txt

nonsilence.txt 内容：

之后用下面两个命令把文件复制到指定目录

cp $srcdir/optional_silence.txt $dir/phones/optional_silence.txt

cp $dir/phones/silence.txt $dir/phones/context_indep.txt

optional_silence.txt内容：

SIL

context_indep.txt内容：

SIL

9. 下面命令生成data/lang/phones.txt文件

echo "<eps>" | cat - $dir/phones/{silence,nonsilence,disambig}.txt | \

awk '{n=NR-1; print $1, n;}' > $dir/phones.txt

下面代码处理 lexiconp.txt文件每行第一个字段并且排序去除重复增加几个字段并且编号输出words.txt ,如果失败则退出。

cat $tmpdir/lexiconp.txt | awk '{print $1}' | sort | uniq | awk '

BEGIN {

print "<eps> 0";

}

{

if ($1 == "<s>") {

print "<s> is in the vocabulary!" | "cat 1>&2"

exit 1;

}

if ($1 == "</s>") {

print "</s> is in the vocabulary!" | "cat 1>&2"

exit 1;cat $tmpdir/lexiconp.txt | awk '{print $1}' | sort | uniq | awk '

BEGIN {

print "<eps> 0";

}

{

if ($1 == "<s>") {

print "<s> is in the vocabulary!" | "cat 1>&2"

exit 1;

}

if ($1 == "</s>") {

print "<

}

printf("%s %d\n", $1, NR);

}

END {

printf("#0 %d\n", NR+1);

printf("<s> %d\n", NR+2);

printf("</s> %d\n", NR+3);

}' > $dir/words.txt || exit 1;

lexiconp.txt 内容：

<SIL> 1.0 SIL

YES 1.0 Y

NO 1.0 N

words.txt 内容：

<eps> 0

<SIL> 1

NO 2

YES 3

#0 4

<s> 5

</s> 6

10. 如果没有使用词-位置-依赖音素（word-position-dependent phones）的方法我们使用格词对齐（lattice word alignment）的方法，并且创建$dir/phones/align_lexicon.{txt,int} 文件。

silphone=`cat $srcdir/optional_silence.txt` || exit 1; #silphone=SIL

# 首先从词典移除概率通过正则匹配方法

perl -ape 's/(\S+\s+)\S+\s+(.+)/$1$2/;' <$tmpdir/lexiconp.txt >$tmpdir/align_lexicon.txt

# 然后增加一行"<eps> $silphone"

[ ! -z "$silphone" ] && echo "<eps> $silphone" >> $tmpdir/align_lexicon.txt

#读文件内容，把原文件的每行第一个字段字符多输出一遍

cat $tmpdir/align_lexicon.txt | \

perl -ane '@A = split; print $A[0], " ", join(" ", @A), "\n";' | sort | uniq > $dir/phones/align_lexicon.txt

11. # 通过脚本命令创建 phones/align_lexicon.int 矩阵

cat $dir/phones/align_lexicon.txt | utils/sym2int.pl -f 3- $dir/phones.txt | \

utils/sym2int.pl -f 1-2 $dir/words.txt > $dir/phones/align_lexicon.int

其中脚本中的 $sym2int{$A[0]} = $A[1] + 0; #把从phones.txt读出来的每行两个分别以键值存到hash中phones/align_lexicon.int

cat $dir/phones/align_lexicon.txt | utils/sym2int.pl -f 3- $dir/phones.txt

到这里代码输出结果为：

<SIL> <SIL> 1

<eps> <eps> 1

NO NO 3

YES YES 2

（过程是通过map把存储键值，然后从另一个文件align_lexicon.txt 取第三列数据找到value值替换结果）

经过后半段代码输出为：

1 1 1

0 0 1

2 2 3

3 3 2

（过程同上）

这段代码命令是为了生成data/lang/L.fst ：

utils/make_lexicon_fst.pl --pron-probs $tmpdir/lexiconp.txt $sil_prob $silphone | \

fstcompile --isymbols=$dir/phones.txt --osymbols=$dir/words.txt \

--keep_isymbols=false --keep_osymbols=false | \

fstarcsort --sort_type=olabel > $dir/L.fst || exit 1;

其中命令对概率是通过对数处理，比如ln（0.5）= 0.693147180559945

utils/make_lexicon_fst.pl --pron-probs data/local/lang/lexiconp.txt 0.5 `cat data/local/dict/optional_silence.txt`

执行这句话shell输出下面的结果：

0 1 <eps> <eps> 0.693147180559945

0 1 SIL <eps> 0.693147180559945

2 1 SIL <eps>

1 1 SIL <SIL>

1 1 Y YES 0.693147180559945

1 2 Y YES 0.693147180559945

1 1 N NO 0.693147180559945

1 2 N NO 0.693147180559945

1 0

<eps> 0 SIL 1

整个命令创建L.fst文件用于训练是silence 概率，内容：

root@wenlong:/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5# fstprint data/lang/L.fst

0 1 0 0 0.693147182

0 1 1 0 0.693147182

1 1 1 1

1 1 3 2 0.693147182

1 2 3 2 0.693147182

1 1 2 3 0.693147182

1 2 2 3 0.693147182

2 1 1 0

对于fst，其打印结果，一行一般有5列。一行对应一个弧。第一列和第二列，表示这个弧的起始状态和终止状态。第三列和第四列，表示输入和输出。第五列是权重。

使用下面命令生成一个PDF文件，如下图所示

fstdraw data/lang_test_tg/L.fst | dot -Tps | ps2pdf – L.pdf

FST（Finite State Transducer）说明：

(L, see "Speech Recognition with Weighted Finite-State Transducers" by Mohri, Pereira and Riley, in Springer Handbook on SpeechProcessing and Speech Communication, 2008)

（之前以为是FSM有限状态机，FST 与FSM最主要的区别在于FST在完成状态转移的同时产生一个输出）语音这里是以音素输入，词输出结果。

个人理解拿L.fst为例，词： NO 2，YES 3，<eps> 0，<SIL> 1 音素：<eps> 0 ， SIL 1，N 3，Y 2

初始状态0状态到1状态：输入音素<eps>和 SIL 权重都是0.69315 输出都是 SIL 静音

从1状态到2状态：3:2/0.69315 输入音素 N输出词No 权重0.69315

2:3/0.69315 输入音素 Y输出词Yes 权重0.69315

从状态2运行后必然回到状态1：1:0 输入音素<eps> 输出是 SIL

从状态1到状态1：3:2/0.69315 输入音素 N输出词No 权重0.69315

2:3/0.69315 输入音素 Y输出词Yes 权重0.69315

1：1 输入音素SIL 输出是 SIL

状态1是终止状态，结束时候可以得到该输出语句的权重总和。

（还没看到权重是直接加还是像概率那样累乘，以后完善，那种决策树算法和它有没有关系呢？）

2017年10月11日更新：权重的这个运算在下文WFST中有所说明

2.3. Composition 应该是进行模型组合运算

下面这段是从别处看来的fst说明，下面这段话好像是自己打上的放百度里也没有找到出处

初始状态是0.这仅仅有一个初始状态，最终状态是2权重是3.5。任何非初始最终权重的状态都是一个最终的状态。从状态0到1输入标签a输出标签x权重0.5的arc (或转移)。这个FST 有限状态转换器中ac到xz的权重是6.5（arc的总和加上最终权重）。

12. 在训练期间这个文件 oov.txt 包含了我们将要映射词汇表之外的发音词，并通过上面的方法生成oov.int 矩阵文件。

oov.txt 内容只有一行 : <SIL>

echo "$oov_word" > $dir/oov.txt || exit 1;

cat $dir/oov.txt | utils/sym2int.pl $dir/words.txt >$dir/oov.int || exit 1;

生成 wdisambig.txt文件内容：#0

echo '#0' >$dir/phones/wdisambig.txt

13. 同样生成矩阵文件

utils/sym2int.pl $dir/phones.txt <$dir/phones/wdisambig.txt>$dir/phones/wdisambig_phones.int

utils/sym2int.pl $dir/words.txt <$dir/phones/wdisambig.txt >$dir/phones/wdisambig_words.int

14. 使用同样的方法创建这个矩阵文件

for f in silence nonsilence optional_silence disambig context_indep; do

utils/sym2int.pl $dir/phones.txt <$dir/phones/$f.txt >$dir/phones/$f.int

utils/sym2int.pl $dir/phones.txt <$dir/phones/$f.txt | \

awk '{printf(":%d", $1);} END{printf "\n"}' | sed s/:// > $dir/phones/$f.csl || exit 1;

done

for x in sets extra_questions; do

utils/sym2int.pl $dir/phones.txt <$dir/phones/$x.txt > $dir/phones/$x.int || exit 1;

done

utils/sym2int.pl -f 3- $dir/phones.txt <$dir/phones/roots.txt \

> $dir/phones/roots.int || exit 1;

if [ -f $dir/phones/word_boundary.txt ]; then

utils/sym2int.pl -f 1 $dir/phones.txt <$dir/phones/word_boundary.txt \

> $dir/phones/word_boundary.int || exit 1;

fifor f in silence nonsilence optional_silence disambig context_indep; do

utils/sym2int.pl $dir/phones.txt <$dir/phones/$f.txt >$dir/phones/$f.int

utils/sym2int.pl $dir/phones.txt <$dir/phones/$f.txt | \

awk '{printf(":%d", $1);} END{printf "\n"}' | sed s/:// > $dir/phones/$f.csl || exit 1;

done

for x in sets extra_questions; do

utils/sym2int.pl $dir/phones.txt <$dir/phones/$x.txt > $dir/phones/$x.int || exit 1;

done

utils/sym2int.pl -f 3- $dir/phones.txt <$dir/phones/roots.txt \

> $dir/phones/roots.int || exit 1;

if [ -f $dir/phones/word_boundary.txt ]; then

utils/sym2int.pl -f 1 $dir/phones.txt <$dir/phones/word_boundary.txt \

> $dir/phones

15.

silphonelist=`cat $dir/phones/silence.csl` #结果： silphonelist=1

nonsilphonelist=`cat $dir/phones/nonsilence.csl` #结果： nonsilphonelist= 2:3

16. 生成一个拓扑文件，允许控制这个 non-silence HMMs和 silence HMMs 的状态数

utils/gen_topo.pl $num_nonsil_states $num_sil_states $nonsilphonelist $silphonelist >data/lang/topo

topo内容1表示silcense，2是Y ，3是N：

2 3

</ForPhones>

</TopologyEntry>

</ForPhones>

</TopologyEntry>

</Topology>

17. 生成 L_disambig.fst文件

utils/make_lexicon_fst.pl --pron-probs $tmpdir/lexiconp_disambig.txt $sil_prob $silphone '#'$ndisambig | \

fstcompile --isymbols=$dir/phones.txt --osymbols=$dir/words.txt \

--keep_isymbols=false --keep_osymbols=false | \

fstaddselfloops $dir/phones/wdisambig_phones.int $dir/phones/wdisambig_words.int | \

fstarcsort --sort_type=olabel > $dir/L_disambig.fst || exit 1;

L_disambig.fst也是一个发音词典，除了L.fst的内容，还包括#1, #2这种消除岐义的符号，#0是一个自环，具体可以看Disambiguation symbols说明：

http://kaldi-asr.org/doc/graph.html#graph_disambig

使用fstprint命令得到内容：

root@wenlong:/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5# fstprint data/lang_test_tg/L_disambig.fst

0 1 0 0 0.693147182

0 2 1 0 0.693147182

1 1 1 1

1 1 3 2 0.693147182

1 3 3 2 0.693147182

1 1 2 3 0.693147182

1 3 2 3 0.693147182

1 1 4 4

2 1 5 0

3 2 1 0

使用命令得到FST状态图：

fstdraw data/lang_test_tg/L_disambig.fst | dot -Tps | ps2pdf - L_disambig.pdf

18. 通过该语句验证目录以及文件

! utils/validate_lang.pl $dir && echo "$(basename $0): error validating output" && exit 1;

处理之后目录结构图：

<span style="color:#00000a"><code>data</code></span>

├───lang

<span style="color:#00000a"><code>│   └───</code><code>phones</code>
<code>│       ├───</code><code>align_lexicon.txt</code>
<code>│       ├───</code><code>align_lexicon.int</code>
<code>│       ├───</code><code>context_indep.txt</code>
<code>│       ├───</code><code>context_indep.int</code>
<code>│       ├───</code><code>disambig.txt</code>
<code>│       ├───</code><code>disambig.int</code>
<code>│       ├───</code><code>extra_questions.txt</code>
<code>│       ├───</code><code>extra_questions.int</code>
<code>│       ├───</code><code>nonsilence.txt</code>
<code>│       ├───</code><code>nonsilence.int</code>
<code>│       ├───</code><code>optional_silence.txt</code>
<code>│       ├───</code><code>optional_silence.int</code>
<code>│       ├───</code><code>roots.txt</code>
<code>│       ├───</code><code>roots.int</code>
<code>│       ├───</code><code>sets.txt</code>
<code>│       ├───</code><code>sets.int</code>
<code>│       ├───</code><code>silence.txt</code>
<code>│       ├───</code><code>silence.int</code>
<code>│       ├───</code><code>wdisambig.txt</code>
<code>│       ├───</code><code>wdisambig_phones.int</code>
<code>│       ├───</code><code>wdisambig_words.int</code>
</span>

四. 执行命令 local/prepare_lm.sh 准备语言模型用于测试

LM（language model）在data/lang_test_tg 目录

1. 命令arpa2fst是一个Kaldi的C++ 程序。该程序将ARPA格式的语言模型转换为一个加权有限状态转换器（实际上是一个接收器）

arpa2fst --disambig-symbol=#0 --read-symbol-table=$test/words.txt input/task.arpabo $test/G.fst

--disambig-symbol=#0 用于输入侧的回退链接,去除 <s> 和 </s>

--read-symbol-table=$test/words.txt 使用已存在的符号列表，默认是“”。

words.txt内容：

<eps> 0

<SIL> 1

NO 2

YES 3

#0 4

<s> 5

</s> 6

ARPA是常用的语言模型存储格式, 由主要由两部分构成。模型文件头和模型文件体构成。

（词组前面的数字：概率，词组后面的数据，回退权值）

yesno的模型input/task.arpabo：

\data\

ngram 1=4

\1-grams:

-1 NO

-1 YES

-99 <s>

-1 </s>

\end\

通过arpa2fst转换的G.fst 通过fstprint函数可以看到结果：

root@wenlong:/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5# fstprint data/lang_test_tg/G.fst

0 0 2 2 2.30258512

0 0 3 3 2.30258512

0 2.30258512

fstdraw data/lang_test_tg/G.fst | dot -Tps | ps2pdf – G.pdf

该命令生成一个PDF文件，如下图所示

使用C++工具验证生成的G.fst文件

fstisstochastic data/lang_test_tg/G.fst

输出结果：1.20397 1.20397

# Create the lexicon FST with disambiguation symbols, and put it in lang_test.

# There is an extra step where we create a loop to "pass through" the

# disambiguation symbols from G.fst.

# 特征提取阶段

$x分别对与train_yesno和 test_yesno执行以下三条指令

以 train_yesno 为例

一. 命令

steps/make_mfcc.sh --nj 1 data/$x exp/make_mfcc/$x mfcc

其中—nj 1 表示并行任务的数量，data/$x 训练所在目录，exp/make_mfcc/$x记录make_mfcc的执行log，mfcc 特征输出目录

主要为了创建feats.scp文件

1. 创建目录/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc 和exp/make_mfcc/train_yesno

2. 如果data/train_yesno/feats.scp是普通文件，创建目录data/train_yesno/.backup并把此scp 文件移动到/.backup目录下

3. 判断两个文件是否是普通文件data/train_yesno/wav.scp 和 conf/mfcc.conf，没有则退出

4. 该脚本检测data目录中数据是否正常

utils/validate_data_dir.sh --no-text --no-feats data/train_yesno

5. 该脚本除非mfcc/storage/ 存在否则没用

utils/create_data_link.pl $mfccdir/raw_mfcc_$name.$n.ark

6.由于没有data/train_yesno/segments目录执行else之后的语句，显示提示steps/make_mfcc.sh: [info]: no segments file exists: assuming wav.scp indexed by utterance.

执行命令但是由于第二个参数文件不存在，好像也没什么用

utils/split_scp.pl $scp $split_scps || exit 1;

#$scp= data/train_yesno/wav.scp $split_scps=exp/make_mfcc/train_yesno/wav_train_yesno.1.scp

run.pl 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 $write_num_frames_opt --compress=$compress ark:- \

ark,scp:$mfccdir/raw_mfcc_$name.JOB.ark,$mfccdir/raw_mfcc_$name.JOB.scp \

|| exit 1;

参数列表：

JOB=1:1
exp/make_mfcc/train_yesno/make_mfcc_train_yesno.JOB.log
compute-mfcc-feats
--verbose=2
--config=conf/mfcc.conf
scp,p:exp/make_mfcc/train_yesno/wav_train_yesno.JOB.scp
ark:-
|
copy-feats
--compress=true
ark:-
ark,scp:/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.JOB.ark,/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.JOB.scp

$jobname = $1; #JOB

$jobstart = $2; #1

$jobend = $3; #1

其中该语句根据cpu核心数量设置并行任务数;

elsif (open(P, "</proc/cpuinfo")) { # Linux

while (<P>) { if (m/^processor/) { $max_jobs_run++; } }

核心就是执行该代码把shell日志存到exp/make_mfcc/$x目录下的.log文件并生成 raw_mfcc_train_yesno.1.ark 和 raw_mfcc_train_yesno.1.scp ，raw_mfcc_train_yesno.1.scp 存放的是发音id 和对应的总特征文件.ark中语音对应的字节偏移，官方文档说fseek() to position24, and read the data that's there.

使用fseek()定位到24字节位置读取内容。

下面这段代码利用Kaldi的compute-mfcc-feats工具计算梅尔倒谱频率特征，然后利用copy-feats工具的参数—compress=true 压缩处理存储为两个文件类型ark和scp

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/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.ark,/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.scp

查看前几行数据内容：

root@wenlong:/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5# copy-feats ark:mfcc/raw_mfcc_train_yesno.1.ark ark,t:- | head

copy-feats ark:mfcc/raw_mfcc_train_yesno.1.ark ark,t:-

0_0_0_0_1_1_1_1 [

48.97441 -14.08838 -0.1344408 4.717922 21.6918 -0.2593708 -8.379625 8.9065 4.354931 17.00239 0.8865671 9.878274 2.105978

53.68612 -10.14593 -1.394655 -2.119211 13.08846 6.172102 8.67521 19.2422 0.4617066 5.210238 3.242958 2.333473 -0.5913677

55.30577 -10.3102 2.783288 6.130808 18.00465 0.1580257 -5.36183 5.867401 6.992276 3.769728 0.3255215 4.97998 6.144587

56.4837 -16.38814 -2.418081 8.250138 5.304474 5.584198 -14.83413 2.809654 10.13197 19.37797 -4.723887 2.218409 4.529143

59.04967 -6.238421 -3.889256 -4.782247 1.989491 8.229766 -3.262494 -3.118021 -2.301227 12.84513 -23.23007 4.634783 -2.480992

61.0052 -5.754351 -2.929794 -1.887643 9.401306 6.466054 3.297932 5.754842 6.992276 13.73597 -2.704123 -3.764996 -11.14875

61.16816 -6.399778 -4.081148 -1.308722 0.9340172 1.201521 1.067387 3.180134 5.485222 14.03292 -2.367496 -0.4280972 4.259902

61.98296 -7.206563 -1.714476 2.512154 2.200584 6.760006 -7.461166 -3.488502 2.219936 8.297047 -3.826214 9.39221 -4.559578

60.51632 -6.722493 -2.482045 -1.656075 4.485107 2.662413 -7.067541 10.36977 5.485222 6.650749 -2.591914 6.718862 -3.89821

8. 这段代码把raw_mfcc_test_yesno.1.scp 和raw_mfcc_train_yesno.1.scp内容拷贝到 train_yesno/feats.scp 和 test_yesno/feats.scp 中

for n in $(seq $nj); do

cat $mfccdir/raw_mfcc_$name.$n.scp || exit 1;

done > $data/feats.scp || exit 1

feats.scp 内容格式：

0_0_0_0_1_1_1_1 /home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.ark:16

0_0_0_1_0_0_0_1 /home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.ark:8386

0_0_0_1_0_1_1_0 /home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.ark:17289

0_0_1_0_0_0_1_0 /home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.ark:25347

0_0_1_0_0_1_1_0 /home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/raw_mfcc_train_yesno.1.ark:33353

……

二.

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

创建文件cmvn.scp包含计算每个说话人的（cmvn）倒谱频率均值和方差归一化的统计量,以说话人编号为索引。内容如下：

global /home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5/mfcc/cmvn_train_yesno.ark:7

只有一条是因为是只有一个人发音所以用global就可以了

与 feats.scp 不同,这个 scp 文件是以说话人编号为索引,而不是发音编号。

三. 在data/train_yesno 和data/test_yesno 创建两个目录 .back 然后把需要的文件复制过来

包括cmvn.scp feats.scp spk2utt text utt2spk wav.scp

utils/fix_data_dir.sh data/$x

文档中指出“(当然可对任何数据目录使用该命令,而不只是 data/train)。该脚本会修复排序错误,并会移除那些缺失发声人(utterances)的数据包括特征数据或标注。”

<span style="color:#00000a"><code>mfcc</code><code>目录</code></span>

├───cmvn_test_yesno.ark

<span style="color:#00000a"><code>├───</code><code>cmvn_train_yesno.ark</code>
<code>├───</code><code>cmvn_train_yesno.ark  </code>
<code>├───</code><code>raw_mfcc_test_yesno.1.ark  </code>
<code>├───</code><code>raw_mfcc_train_yesno.1.ark</code>
<code>├───</code><code>cmvn_test_yesno.scp  </code>
<code>├───</code><code>cmvn_train_yesno.scp  </code>
<code>├───</code><code>raw_mfcc_test_yesno.1.scp  </code>
<code>├───</code><code>raw_mfcc_train_yesno.1.scp</code>
</span>

# Mono 训练

发现一个文档在训练阶段讲解比较详细

http://blog.csdn.net/duishengchen/article/details/52575926

执行代码该语句进行单音素训练

steps/train_mono.sh --nj 1 --cmd "$train_cmd" \

--totgauss 400 \

data/train_yesno data/lang exp/mono0a

$data 对应参数 data/train_yesno ;

$lang 对应参数 data/lang;

$dir 对应参数 exp/mono0a;

（nj根据参数--nj 1 确定）

sdata=$data/split$nj

其中 exp/mono0a/log 存放日志文件

1. 命令

example_feats=”ark,s,cs:apply-cmvn --utt2spk=ark:data/train_yesno/split1/1/utt2spk scp:data/train_yesno/split1/1/cmvn.scp scp:data/train_yesno/split1/1/feats.scp ark:- | add-deltas ark:- ark:- |”

feat_dim=`feat-to-dim "$example_feats" – 2>/dev/null`

#该C++代码执行可以得到mfcc的特征维度，feat_dim这里mfcc是39维

<span style="color:#00000a"><code><span style="color:#000000">前缀</span></code><code><span style="color:#000000">"scp:" </span></code><code><span style="color:#000000">或 </span></code><code><span style="color:#000000">"ark:"</span></code><code><span style="color:#000000">代表文件后缀名的格式，目的告诉</span></code><code><span style="color:#000000">C++</span></code><code><span style="color:#000000">代码执行时传入的数据文件类型，其中</span></code><code><span style="color:#000000">ark</span></code><code><span style="color:#000000">是二进制文件。</span></code>
<code><span style="color:#000000">从一个博客了解下面人容：</span></code>
<code><span style="color:#000000">博客地址：</span></code><code><span style="color:#000000">http://blog.csdn.net/llearner/article/details/77543337</span></code></span>

.scp和.ark文件都可以看成是数据表。这种格式有如下特点：

<span style="color:#00000a"><code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>.scp</code><code>格式是纯文本格式，一行有</code><code>key</code><code>的</code><code>id</code><code>和“可扩展文件名”让</code><code>Kaldi</code><code>去找数据</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>.ark</code><code>格式可能是文本</code><code>/</code><code>二进制，”</code><code>t”</code><code>参数表示文本，默认是二进制。格式：</code><code>key</code><code>的</code><code>id</code><code>，空格，目标数据。</code></span><span style="color:#0000ff">12</span></span>

.scp和.ark文件几个通用的点：

<span style="color:#00000a"><code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>指定读表的字符串叫</code><code>rspecifier;</code><code>比如 </code><code>"ark:gunzip -c my/dir/foo.ark.gz|".</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>指定写表的字符串叫 </code><code>wspecifier;</code><code>比如 </code><code>"ark,t:foo.ark".</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>.ark</code><code>文件可以共同连接起来，仍然是有效的</code><code>ark</code><code>文件（没有中心索引）</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>代码可以顺序或随机访问</code><code>.scp</code><code>和</code><code>.ark</code><code>文件。用户级代码只需要知道它是迭代还是查找，不需要知道访问的是哪种类型文件。</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>Kaldi</code><code>不会在</code><code>.ark</code><code>文件中表示对象类型；需要提前知道对象类型。</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>.ark</code><code>和</code><code>.scp</code><code>文件不包含混合类型</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>通过随机访问来读取</code><code>.ark</code><code>文件可能是无效的，因为代码可能必须将对象缓存在内存中。</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>为了有效地随机访问</code><code>.ark</code><code>文件，您可以使用“</code><code>ark</code><code>，</code><code>scp”</code><code>写入机制（例如用于将</code><code>mfcc</code><code>功能写入磁盘）来写出相应的脚本文件。 然后，通过</code><code>scp</code><code>文件访问它。</code></span>
<code><span style="color:#0000ff">•   </span></code><span style="color:#0000ff"><code>在档案上进行随机访问时，避免代码必须缓存一堆内容的另一种方法是告知代码归档归档并按排序顺序调用（例如“</code><code>ark</code><code>，</code><code>s</code><code>，</code><code>cs</code><code>： </code><code>- ”</code><code>））</code></span></span>

<span style="color:#00000a"><code><span style="color:#0000ff">更多信息看 </span></code><code><span style="color:#0000ff"><a data-cke-saved-href="http://www.kaldi-asr.org/doc/io.html" href="http://www.kaldi-asr.org/doc/io.html">Kaldi I/O mechanisms</a>.(</span></code><code><span style="color:#0000ff">下文有简单介绍</span></code><code><span style="color:#0000ff">) </span></code>
<span style="color:#00000a">wspecifiers</span></span>

"t" (text) text 模式.
"b" (binary) 二进制.
"f" (flush) 每次写操作都刷新流
"nf" (no-flush) 每次写操作都不刷新流
"p" (permissive) 宽松模式, 对于scp文件缺少一些东西，这个 "p"不会写入文件，也不会报告错误

例如：

<span style="color:#00000a">       "ark,t,f:data/my.ark"
       "ark,scp,t,f:data/my.ark,|gzip -c > data/my.scp.gz"</span>

rspecifiers

"o" (once)
"p" (permissive)
"s" (sorted)key按照排序后的字符串读取
"cs" (called-sorted) 进行排序

2. 命令是混合高斯模型初始化过程和生成一个决策树，$cmd就是run.pl

$cmd JOB=1 $dir/log/init.log \

gmm-init-mono $shared_phones_opt "--train-feats=$feats subset-feats --n=10 ark:- ark:-|" $lang/topo $feat_dim \

$dir/0.mdl $dir/tree || exit 1;

在run.pl中下面这段代码：

open(B, "|bash") || die "run.pl: Error opening shell command";

print B "( " . $cmd . ") 2>>$logfile >> $logfile";

close(B);

个人理解是使得$cmd命令直接通过管道在shell中执行并且记录日志（百度没有搜到相关语法，只知道|是管道）这里是使用运行C++程序工具

从日志可以得到字符替换后的命令参数其中

# gmm-init-mono C++程序

--shared-phones="$lang/phones/sets.int" 之前生成的音素的集合

"--train-feats=ark,s,cs:apply-cmvn --utt2spk=ark:data/train_yesno/split1/1/utt2spk scp:data/train_yesno/split1/1/cmvn.scp scp:data/train_yesno/split1/1/feats.scp ark:- | add-deltas ark:- ark:- | subset-feats --n=10 ark:- ark:-|"

data/lang/topo 拓扑图

39 梅尔倒谱频率39维

输出：exp/mono0a/0.mdl 生成的模型可以使用gmm-info查看概要信息：

root@wenlong:/yesno/s5# gmm-info --print-args=false ./exp/mono0a/0.mdl

number of phones 3

number of pdfs 11

number of transition-ids 30

number of transition-states 11

feature dimension 39

number of gaussians 11

输出：exp/mono0a/tree 决策树

root@wenlong:/home/wenlong/wenlong_GIT/kaldi/egs/yesno/s5# tree-info $tree

tree-info exp/mono0a/tree

num-pdfs 11

context-width 1

central-position 0

决策树是如何在 kaldi 中使用的官方文档：

http://kaldi-asr.org/doc/tree_externals.html

<span style="color:#00000a"><code>使用命令查看</code><code>phone </code><code>树</code></span>

<span style="color:#00000a"><code>draw-tree data/lang/phones.txt exp/mono0a/tree | dot -Tps -Gsize=7,11 | ps2pdf - ./tree.pdf</code></span>

<span style="color:#00000a"><img data-cke-saved-src="data:image/png;base64,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" src="data:image/png;base64,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" data-cke-saved-name="图像5" name="图像5" data-cke-upload-id="5" data-widget="uploadimage" width="643" height="274" />
  


</span>

C++工具draw-tree

http://www.kaldi-asr.org/doc/draw-tree_8cc.html

"输出一个决策树"

使用帮助：

"Usage: draw-tree [options] <phone-symbols> <tree>\n"

"e.g.: draw-tree phones.txt tree | dot -Gsize=8,10.5 -Tps | ps2pdf - tree.pdf\n"

run.pl 把参数传到shell中运行了以下C++工具

gmm-init-mono --shared-phones=data/lang/phones/sets.int '--train-feats=ark,s,cs:apply-cmvn --utt2spk=ark:data/train_yesno/split1/1/utt2spk scp:data/train_yesno/split1/1/cmvn.scp scp:data/train_yesno/split1/1/feats.scp ark:- | add-deltas ark:- ark:- | subset-feats --n=10 ark:- ark:-|' data/lang/topo 39 exp/mono0a/0.mdl exp/mono0a/tree

subset-feats --n=10 ark:- ark:-

add-deltas ark:- ark:-

apply-cmvn --utt2spk=ark:data/train_yesno/split1/1/utt2spk scp:data/train_yesno/split1/1/cmvn.scp scp:data/train_yesno/split1/1/feats.scp ark:-

3. 命令

echo "$0: Compiling training graphs"

$cmd JOB=1:$nj $dir/log/compile_graphs.JOB.log \

compile-train-graphs --read-disambig-syms=$lang/phones/disambig.int $dir/tree $dir/0.mdl $lang/L.fst \

"ark:sym2int.pl --map-oov $oov_sym -f 2- $lang/words.txt < $sdata/JOB/text|" \

"ark:|gzip -c >$dir/fsts.JOB.gz" || exit 1;

#其中$cmd是run.pl脚本 JOB=1:$nj是并行处理 $dir/log/compile_graphs.JOB.log 是记录日志

compile-train-graphs --read-disambig-syms=data/lang/phones/disambig.int exp/mono0a/tree exp/mono0a/0.mdl data/lang/L.fst 'ark:sym2int.pl --map-oov 1 -f 2- data/lang/words.txt < data/train_yesno/split1/1/text|' 'ark:|gzip -c >exp/mono0a/fsts.1.gz'

执行完成会在日志输出以下结果

LOG (compile-train-graphs[5.2.130~1-1771a]:main():compile-train-graphs.cc:147) compile-train-graphs: succeeded for 31 graphs, failed for 0

参考官方文档相关：Decoding-graph creation recipe (training time)

http://kaldi-asr.org/doc/graph_recipe_train.html

4. 命令

echo "$0: Aligning data equally (pass 0)"

$cmd JOB=1:$nj $dir/log/align.0.JOB.log \

align-equal-compiled "ark:gunzip -c $dir/fsts.JOB.gz|" "$feats" ark,t:- \| \

gmm-acc-stats-ali --binary=true $dir/0.mdl "$feats" ark:- \

$dir/0.JOB.acc || exit 1;

运行原理类似上一个命令，执行 align-equal-compiled程序把结果利用管道当成输出执行第二个程序 gmm-acc-stats-ali

5. gmm-est工具是基于GMM的最大似然重估声学模型

gmm-est --min-gaussian-occupancy=3 --mix-up=$numgauss --power=$power \

$dir/0.mdl "gmm-sum-accs - $dir/0.*.acc|" $dir/1.mdl 2> $dir/log/update.0.log || exit 1;

6. 在while循环中使用gmm-acc-stats-ali（GMM训练累积状态）和gmm-est工具进行训练，并且按照 realign_iters="1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 23 26 29 32 35 38";这些次数时候使用gmm-align-compiled工具重新对齐数据

# Graph compilation

一. 该脚本创建一个完整的可扩展的解码图HCLG

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

描绘了所有语言模型G，发声词典（lexicon）L，上下文依赖（context-dependecy）C，还有我们模型HMM的结构H，输出结果是有限状态转换器（FST），在输出中有word-ids，pdf-ids（有求解GMM的indexes），具体过程查看官方文档Decoding-graph creation recipe (test time)

http://kaldi-asr.org/doc/graph_recipe_test.html

http://blog.csdn.net/quhediegooo/article/details/70037062 这篇文档关于HCLG知识

1. 初始化参数表

lang=$1 # data/lang_test_tg

tree=$2/tree #exp/mono0a/tree

model=$2/final.mdl #exp/mono0a/final.mdl

dir=$3 #exp/mono0a/graph_tgpr

mkdir -p $dir

2. 上下文音素窗（Phonetic context windows）

具体参考官方文档 How decision trees are used in Kaldi 中的Phonetic context windows部分内容

http://kaldi-asr.org/doc/tree_externals.html

N=$(tree-info $tree | grep "context-width" | cut -d' ' -f2) || { echo "Error when getting context-width"; exit 1; } #N=1

P=$(tree-info $tree | grep "central-position" | cut -d' ' -f2) || { echo "Error when getting central-position"; exit 1; } #P=0

N 代表上下文相关音素窗的宽度,P 表示指定中心音素。

Name in code	Name in command-line arguments	Value (triphone)	Value (monophone)
N	–context-width=?	3	1
P	–central-position=?	1	0

三音素：

// probably not valid C++

vector<int32> ctx_window = { 12, 15, 21 };

假设 N=3和 P=1,这个就代表音素15有一个右边的上下文21和左边的上下文12。

vector<int32> ctx_window = { 12, 15, 0 };

表示音素15有一个左上下文和没有右上下文，在决策树代码里为了方便,我们不把后续符号放在这些上下文窗中,我们直接给其赋0。

单音素：

vector<int32> ctx_window = { 15 };

所以单音素系统是上下文相关系统的一个特殊情况,窗的大小 N=1和一个不做任何事情的树。

3. 四个变量对应的值：

clg=$lang/tmp/CLG_${N}_${P}.fst

clg_tmp=$clg.$$

ilabels=$lang/tmp/ilabels_${N}_${P}

ilabels_tmp=$ilabels.$$ #$$代表当前进程的id号

clg = data/lang_test_tg/tmp/CLG_1_0.fst

clg_tmp = data/lang_test_tg/tmp/CLG_1_0.fst.5129

ilabels = data/lang_test_tg/tmp/ilabels_1_0

ilabels_tmp =data/lang_test_tg/tmp/ilabels_1_0.5129

4.生成一个exp/mono0a/graph_tgpr/Ha.fst文件，在后面脚本中为了节省空间把它删除

if [[ ! -s $dir/Ha.fst || $dir/Ha.fst -ot $model \

|| $dir/Ha.fst -ot $lang/tmp/ilabels_${N}_${P} ]]; then

make-h-transducer --disambig-syms-out=$dir/disambig_tid.int \

--transition-scale=$tscale $lang/tmp/ilabels_${N}_${P} $tree $model \

> $dir/Ha.fst.$$ || exit 1;

mv $dir/Ha.fst.$$ $dir/Ha.fst

kaldi工具 make-h-transducer

<span style="color:#00000a"> 生成从 转移ids（transition-ids）到上下文音素依赖的H 转移器，无自环[使用add-self-loops增加]

Usage:   make-h-transducer <ilabel-info-file> <tree-file> <transition-gmm/acoustic-model> [<H-fst-out>]
e.g.: make-h-transducer ilabel_info  1.tree 1.mdl > H.fst </span>

5. 使用kaldi工具进行fst的组合，确定化，去除符号，去除空转移，最小化，是否随机？

（还得好好学习以下fst相关知识）

fsttablecompose $dir/Ha.fst "$clg" | fstdeterminizestar --use-log=true \

| fstrmsymbols $dir/disambig_tid.int | fstrmepslocal | \

fstminimizeencoded > $dir/HCLGa.fst.$$ || exit 1;

mv $dir/HCLGa.fst.$$ $dir/HCLGa.fst

fstisstochastic $dir/HCLGa.fst || echo "HCLGa is not stochastic"

该实例shell输出信息：

fsttablecompose exp/mono0a/graph_tgpr/Ha.fst data/lang_test_tg/tmp/CLG_1_0.fst

fstdeterminizestar --use-log=true

fstrmsymbols exp/mono0a/graph_tgpr/disambig_tid.int

fstrmepslocal

fstminimizeencoded

fstisstochastic exp/mono0a/graph_tgpr/HCLGa.fst

0.5342 -0.000299216

HCLGa is not stochastic

6. 使用工具add-self-loops 增加自环

add-self-loops --self-loop-scale=$loopscale --reorder=true \

$model < $dir/HCLGa.fst | fstconvert --fst_type=const > $dir/HCLG.fst.$$ || exit 1;

# Decoding

附录1 Kaldi for Dummies tutorial 官网内容：

#数据准备阶段

一. 语音数据：文件格式是.wav，每个文件包含几个英文单词，文件名对应格式例如（1_5_6.wav.到“one,five,six”）

数据集一般是这样：

1. 10和不同的说话人（ASR自动语音识别必须在不同的人训练和测试，人越多效果越好）

2. 每个人说10个不同的句子。

3. 100个*.wav文件放入10个文件夹，每个文件夹10个*.wav文件

4. 300个词（从数字0到9）

5. 每个句子/话语由3个词组成。

一般在egs文件夹下构建自己的训练测试项目文件夹，比如MyAudio文件夹在它下面创建两个文件夹train和test选取一个人以人名命名的文件夹放到test文件夹用于测试，剩下9个人分别创建9个文件夹放到train中用于训练

二. 声学数据

创建一些test文件（每个string一行对应数字）必须是有序的，使用utils/validate_data_dir.sh验证数据，使用fix_data_dir.sh脚本修复存在的错误

在MyAudio文件夹下创建data文件夹，然后创建train和test两个子文件夹，在每个文件夹都有下列文件：

1. spk2gender

该文件是说话人和说话人的性别的对应关系(f=female,m=male)

pattern:<speakerID><gender>

2. wav.scp

发言人与音频文件的对应关系

pattern:<utteranceID><full_path_to_audio_file>

3. text

包含每个发音人匹配的文本标音

pattern:<utteranceID><text_transcription>

4. utt2spk

每个发音人表述内容对应的说话人

Pattern: <uterranceID> <speakerID>

<span style="color:#00000a">		dad_4_4_2 			dad
		july_1_2_5			july
		july_6_8_3 			july
		# and so on…
5. corpus.txt
data文件夹下创建的一个子文件夹local，在里面创建一个文件corpus.txt 每行代表一个音频文件的标音
pattern：<text_transcription>
三. 语言数据
是语言模型文件相关的，主要是在data/local目录下创建dict子目录，该目录有以下的文件：</span>

1. lexicon.txt

包含每个词的音素的标音

pattern: <word> < phone1> <phone2>

eight ey t

five f ay v

four f ao r

# and so on…

2. nonsilence_phones.txt

该文件把非静音音素放入一个列表

pattern:<phone>

# and so on…

3. silence_phones.txt

静音音素

pattern:<phone>

sil

spn

4. optional_silence.txt

可选的silence音素

pattern : <phone>

sil

四. 工具脚本主要放在utils和steps中

五.评分脚本在local/score.sh 获得解码结果

六. 配置文件

创建一个文件夹conf创建下面2个文件

1. decode.config

first_beam=10.0

beam=13.0

lattice_beam=6.0

2.mfcc.conf

--use-energu=false

一般来说，训练主要是MONO但音素训练，简单三音素训练两种方式。

附录2 Kaldi 的I/O机制

（由于调用C++程序对参数不太理解，查了资料需要学习这个机制）

I/O机制代码级别官方文档：http://www.kaldi-asr.org/doc/io.html

命令行的I/O机制：http://www.kaldi-asr.org/doc/io_tut.html

一. Non-table I/O

所涉及的文件或者流仅仅包含一到两个对象（声学模型文件，变换矩阵

1. kaldi文件默认是2进制的，如果flag –binary=false输出则是非2进制

2. 有许多符合 "copy" 程序, e.g. copy-matrix 或gmm-copy, 可以使用 –binary=false 这个标志转换成text格式, e.g. "copy-matrix --binary=false foo.mat -".

3.磁盘上的文件应该和内存中的C++的object对象一致，e.g. a matrix of floats，尽管一些文件比这个object对象多（对于声学模型文件有 TransitionModel object 和一个声学模型）

4. kaldi程序需要知道它要读的文件的类型，而不是从流中读出类型。（PS:所以要加scp:）

5. 同样地，对于perl一个文件名能够被 - 所替换或是一个例如"|gzip -c >foo.gz" or "gunzip -c foo.gz|" 的string

6. 对于读文件，也支持如 “foo:1045” 表示从 foo 文件偏移 1045 个字节开始读取。

例如： echo '[ 0 1 ]' | copy-matrix --binary=false - - 其中 | 代表管道把输出变为下面的输入

或是这样：echo '[ 0 1 ]|' 'copy-matrix - - | copy-matrix --binary=false - -' 传入两个参数得到一样效果

二. Table I/O

处理strings字符串索引的数据集合，比如通过utterance-ids索引的特征矩阵或是通过speaker-ids索引的speaker-adaptation 变化矩阵，strings必须非空。

一个表可能存在两种格式：一个是 "archive" 或是 "script ".不同是 archive包含真实的数据，script文件定位一个数据的位置。

"rspecifier" 程序从表中读，告诉我们如何读一个索引的数据

"wspecifier"程序把数据写入表中

rspecifiers的共同的类型是"ark:-", 从标准输入中作为一个archive读取数据，或是"scp:foo.scp"，代表从script文件foo.scp读取数据

对于 rspecifiers的 ark,s,cs:- 代表我们从标准输入读已经排序的keys (,s) 我们认为他们将按顺序被读取， (,cs)意味着我们知道程序将按顺序访问他们（如果条件不满足，程序将会崩溃），好处就是可以随机访问而不会浪费大量的内存。

对于数据不是很大还有不方便确保顺序 (e.g. transforms for speaker adaptation), 省略,s,cs.几乎没有坏处
通常程序会采用多个 rspecifiers 的对于第一个通常不需要",s,cs"
对于scp,p:foo.scp, 这个 ,p 意味着如果这些引用的文件不存在则我们不应该让程序崩溃 (对于archives,如果这个 archive 损坏和截断p 将阻止崩溃.)
对于写数据这个选项 ,t 意味着text模式, e.g. in ark,t:-. 这个 –binary 命令行选项将不会影响到这个archives.

附录3 Kaldi常用工具

参考kaldi常用工具 http://blog.csdn.net/zjm750617105/article/details/52548798

kaldi官网工具大全http://kaldi-asr.org/doc/tools.html

附录4 FST（Finite State Transducer）总结：

一般使用的是WFST（Weightd Finite State Transducer）加权有限状态转换器

看了那篇论文挑选一些重点(L, see "Speech Recognition with Weighted Finite-State Transducers" by Mohri, Pereira and Riley, in Springer Handbook on SpeechProcessing and Speech Communication, 2008)

(没看完，以后有时间再看它，先看脚本了)

OpenFst资源：OpenFst website

http://www.openfst.org/twiki/bin/view/FST/WebHome

一篇中文博客讲解WFST中epsilon removal和determinization操作

http://blog.csdn.net/l_b_yuan/article/details/50954425

2.1. Weighted Acceptors 加权接收器

A finite-state transducer is a finite automaton whose state transitions are labeled with both input and output symbols. Therefore, a path through the transducer encodes a mapping from an input symbol sequence, or string, to an output string. A weighted transducer puts weights on transitions in addition to the input and output symbols. Weights may encode probabilities, durations, penalties, or any other quantity that accumulates along paths to compute the overall weight of mapping an input string to an out-put string. Weighted transducers are thus a natural choice to represent the probabilistic finite-state models prevalent in speech processing.

一个有限状态转义器是一个有限状态机，他的转义转换是用输入输出符号标记。因此，一个路径通过转换器编码一个从输入序列或字符串到输出符号的映射。权重转换器除了输入输出符号外还把权重放到转移过程上。权重可能是编码概率，持续时间，惩罚因子或是其他沿着路径计算全部输入字符串到输出字符串的映射权重的积累量。权重转换器因此也是代表流行在语音处理方面概率有限状态模型的一个自然选择。

图1 (a)

The automaton in Figure 1(a) is a toy finite-state language model. The legal word strings are specified by the words along each complete path, and their probabilities by the product of the corresponding transition probabilities.

这个图是一个微不足道的有限状态语言模型。合法词字符串被沿着每个完整路径的词所指定，他们的概率和通过符合转移概率的乘积得到。

图1 (b)

The automaton in Figure 1(b) gives the possible pro-nunciations of one word, data, used in the language model. Each legal pronunciation is the phone strings along a complete path, and its probability is given by the product of the corresponding transition probabil-ities.

这个图的自动机给了一个词，数据在语言模型的发音可能。每个合法的发音是沿着完整路径的音素串，它的可能性也是通过符合转移概率的乘积取得。

图1(c)

Finally, the automaton in Figure 1(c) encodes a typical left-to-right, three-distribution-HMM struc-ture for one phone, with the labels along a complete path specifying legal strings of acoustic distributions for that phone.

这个图编码了一个典型的从左到右，三分布(音素)HMM结构的音素，这个标签沿着一个完整路径指定音素的发音分布的合法字符串。

These automata consist of a set of states, an ini-tial state, a set of final states (with final weights), and a set of transitions between states. Each transition has a source state, a destination state, a label and a weight. Such automata are called weighted finite-state acceptors (WFSA), since they accept or recog-nize each string that can be read along a path from the start state to a final state. Each accepted string is assigned a weight, namely the accumulated weights along accepting paths for that string, including final weights. An acceptor as a whole represents a set of strings, namely those that it accepts. As a weighted acceptor, it also associates to each accepted string the accumulated weights of their accepting paths.

这些自动机由一组状态组成，一个初始状态，一组终止状态（终止权重）和一组转台之间的转移。每个转移都有一个来源状态一个目标状态，一个标签和一个权重组成。这样的自动机成为加权有限状态转换器（WFST），因为他们能够沿着从开始状态到终止状态的一条路径读取到接收或识别的每个字符串。每个接收的字符串分配一个权重，也就是沿着接收路径字符串的累积权重，包括最终的权重。(我在想上面的概率是乘，这里的权重不知道是加还是乘或是什么？)。作为一个整体代表一组字符串的接收器，即那些它接收的。作为一个加权的接收器，它还将每个接受的字符串与其接受路径的累积权重相关联。

2.2. Weighted Transducers 加权转换器

Our approach uses finite-state transducers, rather than acceptors, to represent the n-gram grammars, pronunciation dictionaries, context-dependency specifications, HMM topology, word, phone or HMM segmentations, lattices and n-best output lists encountered in ASR. The transducer representation provides general methods for combining models and optimizing them, leading to both simple and flexible ASR decoder design。

我们不用接收器而用有限状态转换器表示在自动语音识别（ASR）遇到的n-gram 语法，发音词典，上下文依赖规范，HMM拓扑结构，词，音素或者HMM分段(HMM segmentations),点阵和n-best输出列表。这个转换器代表对于组合模型和优化他们提供一般的方法，主导了简单而又灵活的ASR解码器的设计。

A weighted finite-state transducer (WFST) is quite similar to a weighted acceptor except that it has an input label, an output label and a weight on each of its transitions.

加权有限状态转换器和加权接收器特别的相似，就是多了一个输入标签，输出标签和每个转换的权重。

The examples in Figure 2 encode (a superset of) the information in the WFSAs of Fig-ure 1(a)-(b) as WFSTs. Figure 2(a) represents the same language model as Figure 1(a) by giving each transition identical input and output labels. This adds no new information, but is a convenient way we use often to treat acceptors and transducers uniformly.

图2将图1的WFSA的信息编码成为WFST。通过给每个转换相同的输入输出标签使得图2（a）和图1（a）表示相同的语言模型。虽然没有增加新信息，但是这给了我们使用处理接收器和转换器一致性的便利方法。

图 2 (a)

Figure 2(b) represents a toy pronunciation lexi-con as a mapping from phone strings to words in the lexicon, in this example data and dew, with probabilities representing the likelihoods of alternative pronunciations. It transduces a phone string that can be read along a path from the start state to a final state to a word string with a particular weight. The word corresponding to a pronunciation is out-put by the transition that consumes the first phone for that pronunciation. The transitions that consume the remaining phones output no further symbols, indicated by the null symbol ε as the transition’s output label. In general, an ε input label marks a transition that consumes no input, and an # output label marks a transition that produces no output.

图2（b）表示一个作为一个在词典中从音素串到词的映射的简单的发音词典，在这个例子中data和dew，用概率表示选择发音的最大死然度。沿着从开始状态到终止状态的一个特殊权重的词串能够读取出来转换的一个音素串。与一个发音一致的词是通过这个转换消耗第一个发音的音素的输出。这个转换消耗剩余音素不会有更多符号输出，表示通过null符号#作为转换的结果符号。一般来说，一个 ε符号标记了一个转换没有消耗输入，一个 ε符号的输出标签标记的一个转换不会产生输出。

图2 (b)

This transducer has more information than the WFSA in Figure 1(b). Since words are encoded by the output label, it is possible to combine the pronunciation transducers for more than one word without losing word identity.Similarly, HMM structures of the form given in Figure 1(c) can be combined into a single transducer that preserves phone model identity.

通过输出标签编码的词可以组合更多词的发音转换器而不会丢失词的独一性。同样图1(c)这种格式的HMM结构也能组合这种单独转换器保存音素模型的独一性。

This illustrates the key advantage of a transducer over an acceptor: the transducer can

represent a rela-tionship between two levels of representation, for in-stance between phones and words or between HMMs and context-independent phones.

优势是转换器能够保存两个表示级别的相对关系，例如音素和词之间或者HMM和上下文依赖音素之间。

More precisely, a transducer specifies a binary relation between strings: two strings are in the relation when there is a path from an initial to a final state in the transducer that has the first string as the sequence of input labels along the path, and the second string as the sequence of output labels along the path (� symbols are left out in both input and output). In general, this is a relation rather than a function since the same input string might be transduced to different strings along two distinct paths. For a weighted transducer, each string pair is also associated with a weight.

准确的说，一个转换器指定字符串之间的二元关系：当有一个在转换器从一个初始到终止状态的路径，第一个字符串作为这条路经输入标签顺序和第二个字符串作为这条路经的输出标签顺序。一般来说，这是一个关系而不是一个函数，因为相同的输入字符串可能沿着两条不同路径被转换成不同的字符串。对于权重转换器每队字符串都与权重相关联。

We rely on a common set of weighted transducer operations to combine,optimize, search and prune them [Mohri et al., 2000]. Each operation implements a single, well-defined function that has its foundations in the mathematical theory of rational power series [Salomaa and Soittola, 1978, Bers-tel and Reutenauer, 1988,Kuich and Salomaa, 1986]. Many of those operations are the weighted transducer generalizations of classical algorithms for un-weighted acceptors.

用这个加权转换器的操作去组合，优化，查找，修剪。每个操作实现一个单一的，明确定义的函数，这个函数已经在有理幂级数数学理论中建立起来。许多操作都是对非加权接收器的经典算法进行加权转换概括处理。

2.3. Composition 应该是进行模型组合运算

Composition is the transducer operation for combining different levels of representation. For instance, a pronunciation lexicon can be composed with a word-level grammar to produce a phone-to-word transducer whose word strings are restricted to the grammar. A variety of ASR transducer com-bination techniques, both context-independent and context-dependent, are conveniently and efficiently implemented with composition.

转换器运算----组合是结合不同级别的表示。例如一个发声词典能够与词级别的语法结合产生一个音素到词的转换器，这个转换器的词串被语法约束。不同的ASR转换器结合技术（包括上下文不依赖和上下文依赖）既便利又效率的组合实现。

As previously noted, a transducer represents a bi-nary relation between strings. The composition of two transducers represents their relational composi-tion. In particular, the composition T = T 1 ◦ T 2 of two transducers T 1 and T 2 has exactly one path mapping string u to string w for each pair of paths, the first in T 1 mapping u to some string v and the sec-ond in T 2 mapping v to w. The weight of a path in T is computed from the weights of the two corre-sponding paths in T 1 and T 2 with the same operation that computes the weight of a path from the weights of its transitions. If the transition weights represent probabilities, that operation is the product. If instead the weights represent log probabilities or negative log probabilities as is common in ASR for numerical stability, the operation is the sum. More generally, the weight operations for a weighted transducer can be specified by a semiring [Salomaa and Soittola, 1978, Berstel and Reutenauer, 1988, Kuich and Salomaa, 1986],as discussed in more detail in Section 3.

正如之前指出，一个转换器表示一个字符串的二元关系。这两个转换器的组合表示了他们的关系。特别是这个组合T = T 1 ◦ T 2，两个转换器T1和T2有一个正确的路径映射每条路径上的字符u和字符w ，第一步在T1映射字符u到字符v然后在第二步T2映射v到w。在T 的这个路径权重是从T1和T2相同操作两个符合路径的权重计算的，这相同的操作从其转换权重计算路径的权重。如果这个权重表示为概率，这个运算就是乘积。如果在ASR中这个权重换作表示log概率或者负log概率作为数字的稳定性，那么运算就是和的形式。一般来说对于权重转换器的权重运算能够通过一个半环所指定。（需要学习下群和半环）

例如，取B=(0,3),A=(1,2),则B-A=(0,1]U[2,3)

不能写出有限个互不相交的开区间的并，不是半环。

例如：取B=[0,3),A=[1,2),则B-A=[0,1)U[2,3)是两个半开区间的并是半环。