写在前面

难
在这里插入图片描述

友友们，别问我为何这次这么晚，俺是真的没时间写，哭唧唧。

一、部署KALDI

1. 下载并解压KALDI工具箱

这个大家自己去搜一搜安装包，github上也有。

2. tools中执行extras/check_dependencies.sh脚本，根据其输出安装依赖库直到输出ALL OK

采样率即在一秒的音频时间里进行采样的次数，采样率为20k时即是一秒钟对音频进行20000次采样。根据香农采样定理，想要完整地还原声音，采样率至少要为音频中最高频率的2倍。人耳的可感知频率是20-20khz，因此为真实地还原音频，CD采用了40+kHz的采样率。
在这里插入图片描述

3.make

在这里插入图片描述

4. src中执行./configure –shared

在这里插入图片描述

5. src中执行make depend和make

在这里插入图片描述

二、运行yesno项目实例，简要解析发音词典内容，画出初步的WFST图

1. 下载并划分数据集

从网络上下载数据集文件waves_yesno.tar.gz到s5/路径下并解压。
原始的数据是60个wav文件。文件名是八个用下划线分隔的01组合。需要将音频数据转化成kaldi能够处理的格式。
运行指令local/prepare_data.sh waves_yesno准备数据（生成训练和测试集）
在这里插入图片描述

Kaldi使用以下几个文件来表示数据：
(1)Text
音频的文本记录。每一个音频文件一行。格式为<utt_id> 。<utt_id>为音频的id，一般用不带扩展名的文件名表示。utt_id在wav.scp文件中与具体的文件映射。是音频对应的文字。
在这里插入图片描述

(2)wav.scp
将文件映射到唯一的utt_id。格式为<utt_id>
第二个参数既可以是对应utt_id的音频文件路径，也可以是能够获得音频文件的指令。

在这里插入图片描述

(3)utt2spk
对于每一个音频文件，标记是哪一个人发音的。因为yesno数据集中只有一个发音者，用global来表示所有的utt_id。文件内每一行的格式为<utt_id> <speaker_id>。
在这里插入图片描述

(4)spk2utt
和utt2spk反过来。文件内每一行对应一个发音者，第一个是speaker的id，后面用空格分隔开60个utt_id。格式为<speaker_id> <utt_id1> <utt_id2>。
在这里插入图片描述

2. 建立词典

对于当前项目，我们只有两个词 yes和no。
在真实的语言中，词的数量更多，并且还有停顿和环境噪声。
kaldi将这些非语言的声音称作slience（SIL）。加上SIL一共需要三个词来表示当前这个yesno语言模型。执行指令local/prepare_dict.sh，将会在s5/data/local/dict中看到新生成的5个文件。其中发音词典lexicon.txt给出了YES、NO和三个单词的音素序列
在这里插入图片描述

3. 构造语言模型

接下来要做语言模型。
项目提供了一个一元的语言模型。然而我们需要将这个模型转换成一个WFST（一种有穷自动机）。执行指令: local/prepare_lm.sh ，这条命令将这个模型转换成一个WFST（有限加权状态转换机）
在这里插入图片描述
执行后在data/lang_test_tg文件夹下生成WFST，文件格式为fst，我们执行以下指令将其转化为jpg图片。

查看图片文件：

在这里插入图片描述

4. MFCC特征提取和GMM-HMM建模

提取梅尔倒谱系数。这里我采用的参数是 output_dir=mfcc。那么结果将会保存在mfcc文件夹下。
建立提取mfcc特征脚本文件mfcc.sh,并运行：
在这里插入图片描述

建立模型训练脚本文件model.sh，并运行:
在这里插入图片描述

到现在我们已经完成了模型的训练。
接下来用测试集来验证一下模型的准确与否。
第一步是创建一个全连接的FST网络。
在这里插入图片描述

然后steps/decode.sh [options] 用来寻找每一个测试音频的最佳路径，写一个脚本文件find.sh并运行：
在这里插入图片描述

5. 查看结果

在decode.sh内部最后会调用score.sh，这个脚本则生成预测的结果并且计算测试集Word error rate（WER）。
调用下列命令可以看到最好的效果：
for x in exp//decode; do [ -d $x ] && grep WER $x/wer_* | utils/best_wer.sh;
done
结果如下：
WER后跟着的0.00是说字的错误率为0，即准确率为100%。
测试集一共29条音频，每条音频有8个字（单音素的字）。一共232个字。

三、调整并运行TIMIT项目，将命令行输出的过程与run.sh各部分进行对应，叙述顶层脚本run.sh的各部分功能

1. TIMIT实例介绍

TIMIT全称The DARPA TIMIT Acoustic-Phonetic Continuous Speech Corpus, 是由德州仪器(TI)、麻省理工学院(MIT)和坦福研究院(SRI)合作构建的声学-音素连续语音语料库。TIMIT数据集的语音采样频率为16kHz，一共包含6300个句子，由来自美国八个主要方言地区的630个人每人说出给定的10个句子，所有的句子都在音素级别(phone level)上进行了手动分割，标记。
TIMIT语料库多年来已经成为语音识别社区的一个标准数据库，在今天仍被广为使用。其原因主要有两个方面：数据集中的每一个句子都在音素级别上进行了手动标记，同时提供了说话人的编号，性别，方言种类等多种信息；数据集相对来说比较小，可以在较短的时间内完成整个实验；同时又足以展现系统的性能。