分类： LINUX
2013-01-15 15:46:05
声学模型主要用于计算语音特征和每个发音模板之间的似然度。目的是为每个声学单元建立一套模型参数（通过不断地学习和改进得到最优的，也就是概率最大的一组HMM模型参数）。
需要训练的情况：
1）需要创建一个新的语音或者方言的模型；
2）为你的小词汇的应用创建一个特定的模型；
3）你有足够的大量的语音数据：单的人的话（控制指令）需要1小时的录音，200个人的话需要50小时的录音。
4）你需要有语言的音素结构的知识；
5）你有足够的时间去训练和优化（大概需要一个月）。
如果不具备以上的情况或者条件，那么用模型增强（适应）比训练一个新的模型更有效。
另外，你的语音数据库应该能够比较好地代表你所要识别的语音，而且最好是多个人的录音数据，而且包含多种录音情况，还有所有可能的语言学句子。语音数据库包含两个部分：训练集和测试集，一般来说，测试集占全部数据库的1/10，但最好不要超过4个小时的录音时长。
获得一个语音数据库的一个比较好的方式是：
1）对现有的你需要识别的语音的录音材料进行切割，例如新闻或者电台播音等；
2）把你身边的人，例如家人，朋友或者同事的语音录下来；
3）在voxforge上面收集；
SphinxTrain是CMU大学开发的开源声学模型训练器。此工具可以训练适应于PocketSphinx的半连续HMM声学模型，也可以训练应用于Sphinx3的连续HMM声学模型。
（1）需要准备的文件：
在进行训练之前，先通过SphinxTrain中的wave2feat文件对音频文件进行特征提取，得到的MFCC特征参数文件，并把它们作为声学模型训练的输入。在进行训练之前，需要建立如下准备文件：
分别创建两个目录etc和wav，然后在两个目录下面制作一些数据文件，方便后面训练时使用。待会需要的目录及文件如下所示：
etc：
your_db.dic - Phonetic dictionary
your_db.phone – Phone set file
your_db.lm.DMP - Language model
your_db.filler - List of fillers
your_db_train.fileids - List of files for training
your_db_train.transcription - Transcription for training
your_db_test.fileids - List of files for testing
your_db_test.transcription - Transcription for testing
wav：
speaker_1
file_1.wav - Recording of speech utterance
speaker_2
file_2.wav
下面对以上的文件作用做些说明：
your_db.dic - Phonetic dictionary
主字典文件：该文件中包含要训练的所有词语以及与它们相对应的音素集（记录的是字到语音单元的映射）。如果某个词有两个以上的发音要分别列出。在训练之前，要指明如何将每一个数字的拼音拆解成声学模型。这里我们将数字的每一个音节看成一个声学模型，存放在字典文件中。文件的加载内容为：例如：
三SAN
四SI
五WU
一YAO
一(2) YI
如果是英文的话，例如：
HELLO HH AH L OW
WORLD W AO R L D
另外，对于特殊字符，我们需要对其进行修改，此处不说了。
your_db.phone – Phone set file
音素文件：表示声学模型训练单元，由于数字识别系统只包含10个词的小词汇量识别系统，所以我们的训练单元以这是个词的音节为训练基本单元即可。音素排列以26个字母顺序排列。在数字识别中主要选择音节作为识别单元，故音素文件中包括十二个单元：BA、ER、JIU、LING、LIU、QI、SAN、SI、SIL、WU、YAO、YI。其中SIL表示句子的停顿或静音，或者是录音环境的背景噪声。YAO和YI代表了数字1的两个发音。
例如，如果声学单元是音素的话，就是每个音素一行，最后加上SIL这个静音单元：
AH
AX
DH
your_db.lm.DMP - Language model
语言模型文件：你在训练得到的语言模型。
your_db.filler - List of fillers
补充字典文件：该文件主要列举了非语音单词，它可以包括静音，背景噪声，或者mm，um或者呼吸，笑等等。多音字的情况必须全部列出，除此文件外我们还要建立一个补充字典来说明语音中的停顿，当然这种静音（或停顿）可以理解为背景噪声。每个补充字典文件至少包含以下三项：
SIL
SIL
文件中的代表句首的停顿，代表句末的停顿，
your_db_train.fileids - List of files for training
控制文件：指明了包含所有训练语音文件的路径。表示如下
wav/train/name1/1.WAV
wav/train/name2/1.WAV
your_db_train.transcription - Transcription for training
脚本文件: 存放每个控制文件（用于训练的）路径的内容（告诉训练器你需要训练哪些语音单元）。文件内容是与控制文件的路径一一对应的语句内容。包括句中的停顿也要用文本列举出来。例如：1.WAV录下的就是hello world这个句子的音，那文件的内容就是：
hello world (1)
foo bar (2)
主要注意的是，每个行都需要以 开始和以 结束，而且()括号内的语音文件只包含文件名，不包含文件路径。
your_db_test.fileids - List of files for testing
控制文件：指明了包含所有测试语音文件的路径。
your_db_test.transcription - Transcription for testing
脚本文件: 存放每个控制文件（用于测试的）路径的内容。
在准备这些文件的时候必须注意以下几点：
1）主字典和补充字典必须与音素文件相对应，即字典文件中不允许有音素文件中不存在的音素；
2）确保字典文件中没有重复的单词，不包括多音字的列举；
3）确保脚本文件和控制文件行数相同，并且一一对应；
4）确保脚本文件中的词都存在与字典文件中；
5）确保脚本文件中所有音素都存在于音素文件中，并且音素在训练的脚本文件中出现一次。
以上五点，如有一点不满足条件，训练将自动终止。
（2）准备etc下的数据文件
# mkdir train
# cd train
# mkdir etc wav
# cd etc
1、声音文件我是直接放在wav文件夹下的，命名如下（因为这样方便我用脚本去控制录音）：
# vi my_db_train.fileids
voice_0001
voice_0002
voice_0003
voice_0004
voice_0005
voice_0006
voice_0007
voice_0008
voice_0009
voice_0010
voice_0011
voice_0012
voice_0013
voice_0014
voice_0015
voice_0016
voice_0017
2、测试数据和语音数据一样，因为我并没有测试这个步骤，所以把简单的copy了一下：
# cp my_db_train.fileids my_db_test.fileids
3、我的库主要是包含了17个控制的指令，如下：
#vi my_db_train.transcription
确定 (voice_0001)
取消 (voice_0002)
关闭 (voice_0003)
退出 (voice_0004)
返回 (voice_0005)
放大 (voice_0006)
缩小 (voice_0007)
音乐 (voice_0008)
图片 (voice_0009)
视频 (voice_0010)
天气 (voice_0011)
设置 (voice_0012)
菜单 (voice_0013)
向左 (voice_0014)
向右 (voice_0015)
向上 (voice_0016)
向下 (voice_0017)
4、#cp my_db_train.transcription my_db_test.transcription
5、# vi my_db.dic
确定 Q UE D ING
取消 Q U X IAO
关闭 G UAN B I
退出 T UI CH U
返回 F AN H UI
放大 F ANG D A
缩小 S UO X IAO
音乐 Y IN Y UE
图片 T U P IAN
视频 SH I P IN
天气 T IAN Q I
设置 SH E ZH IB
菜单 C AI D AN
向左 X IANG Z UO
向右 X IANG Y OU
向上 X IANG SH ANG
向下 X IANG X IA
6、#vi my_db.filler
SIL
SIL
7、生成my_db.phone
#cp ../../sourcecode/sphinxtrain-1.0.7/scripts_pl/make_phoneset.pl .
#./make_phoneset.pl my_db.dic my_db.filler > my_db.phone
# vi my_db.phone //看下有没有多余的
A
AI
AN
ANG
B
C
CH
D
E
F
G
H
I
IA
IAN
IANG
IAO
IB
IN
ING
OU
P
Q
S
SH
SIL
T
U
UAN
UI
UO
UX
UXE
X
Y
Z
ZH
以上若有多余字母，可手工删除。
8、把之前的my_db.lm.DMP也拷贝到etc下。
至此，etc下的数据文件已准备完毕。
注意：以上所有的文件在输入结尾不可留下“/n”。
（3）准备wav下的音频文件
为每一个控制词录制一个语音文件，录音文件的命名需要和my_db_train.transcription与my_db_train.fileids的一致。
注意：此处音频文件采样率16KHz，16bit单声道录音，而且是wav格式。
我在Linux下写了一个处理脚本来实现上面这17个词的录音：rec_wav.sh，内容如下：
#cd ../wav
#vi rec_wav.sh
for i in `seq 1 17`; do
fn=`printf voice_%04d $i`;
read sent; echo $sent;
rec -r 16000 -e signed-integer -b 16 -c 1 $fn.wav 2>/dev/null;
done < ../etc/my_db.dic
在这里我们需要用到rec这个录音命令，这个命令是由Linux下一个很有名的音频转换程序sox携带的，所以我们需要先安装sox：
#apt-get install sox
然后改变rec_wav.sh的运行属性：
#chmod 777 rec_wav.sh
#./rec_wav.sh
这个脚本会显示一个词，然后进入录音，我们把这个词读出来，然后按ctrl+c显示下一个词，然后录音，如此循环到全部的词的语音数据拿到。这样在当前文件夹下面就会显示如下文件：
voice_0001.wav
voice_0002.wav
.....
voice_0017.wav
然后，我们需要测试下每个音频文件是否正常：
for i in *.wav; do play $i; done
他会依次的播放我们录下的这些音频文件；如果不对的话，就得重录，我的就没有什么问题。
