下面打算用aishell来做声纹识别，在做声纹识别之前，肯定是要对run.sh这个文件做个深入的了解，才可以继续往下走，接下来会记录如何修改run.sh去运行自己的数据，而不是手动输入自己的数据。。。。因为自己的数据很多，手动是肯定没办法实现的了。

小白一枚，望指正。

做声纹识别 就要选择aishell/V1，这里是kaldi的github地址：https://github.com/kaldi-asr/kaldi

下载压缩数据

data=/export/a05/xna/data

data_url=www.openslr.org/resources/33

. ./cmd.sh

. ./path.sh

set -e # exit on error

local/download_and_untar.sh $data $data_url data_aishell

local/download_and_untar.sh $data $data_url resource_aishell

数据准备

local/aishell_data_prep.sh $data/data_aishell/wav $data/data_aishell/transcript

这里主要用到data_aishell数据，resource_aishell那里没有怎么用到，代码在local/aishell_data_prep.sh，其中数据集有train(340人)、dev(40人)(好像没用到)、test(20人)三个文件夹，在aishell_data_prep.sh代码中，也替我们准备了必要的数据(utt2spk、wav.scp、text)，这样就不需要我们自己手动输入了。

提取MFCC特征

# Now make MFCC features.

# mfccdir should be some place with a largish disk where you

# want to store MFCC features.

mfccdir=mfcc

for x in train test; do

steps/make_mfcc.sh --cmd "$train_cmd" --nj 10 data/$x exp/make_mfcc/$x $mfccdir

sid/compute_vad_decision.sh --nj 10 --cmd "$train_cmd" data/$x exp/make_mfcc/$x $mfccdir

utils/fix_data_dir.sh data/$x

done

提取MFCC这一步主要有两小个步骤，第一个是用steps/make_mfcc.sh来提取MFCC特征，第二步是通过sid/compute_vad_decision.sh来计算基于energy的VAD output，就是计算倒谱均值和方差归一化。

然后回生成两个文件夹，mfcc 和 exp/make_mfcc，其中 mfcc 里主要保存了提取的特征，而 exp/make_mfcc 里保存了日志，即log 文件。

训练UBM

# train diag ubm

sid/train_diag_ubm.sh --nj 10 --cmd "$train_cmd" --num-threads 16 \

data/train 1024 exp/diag_ubm_1024

#train full ubm

sid/train_full_ubm.sh --nj 10 --cmd "$train_cmd" data/train \

exp/diag_ubm_1024 exp/full_ubm_1024

在sid/train_diag_ubm.sh中，有一段小讲解：这是steps / train_diag_ubm.sh的修改版本，专门用于说话人识别，不需要从训练有素的模型开始，适用滑动窗口CMVN，它需要数据目录中的语音活动检测(vad.scp)。我们使用gmm-global-init-from-feats初始化GMM，它设置随机数据点的均值，然后在内存中进行一些EM迭代。在内存初始化之后，我们并行训练几次迭代。

在sid/train_full_ubm.sh，也有一段小讲解：这将从现有(对角线或完整)UBM训练完全协方差UBM，持续指定的迭代次数。这是针对speaker-id系统的(我们使用专门针对它的功能和vad)。

看完这两段话后，基本可以了解其用意，用先训练的diag_ubm来训练完整的UBM。

训练和提取ivector

#train ivector

sid/train_ivector_extractor.sh --cmd "$train_cmd --mem 10G" \

--num-iters 5 exp/full_ubm_1024/final.ubm data/train \

exp/extractor_1024

#extract ivector

sid/extract_ivectors.sh --cmd "$train_cmd" --nj 10 \

exp/extractor_1024 data/train exp/ivector_train_102

在exp/extractor_1024可以看到提取的ivector。

训练plda模型

#train plda

$train_cmd exp/ivector_train_1024/log/plda.log \

ivector-compute-plda ark:data/train/spk2utt \

'ark:ivector-normalize-length scp:exp/ivector_train_1024/ivector.scp ark:- |' \

exp/ivector_train_1024/plda

用训练集的 ivector 来训练 plda 模型用于打分,可以从exp/ivector_train_1024/plda中查看plda的分数。

划分训练集(test)为enroll和eval

#split the test to enroll and eval

mkdir -p data/test/enroll data/test/eval

cp data/test/{spk2utt,feats.scp,vad.scp} data/test/enroll

cp data/test/{spk2utt,feats.scp,vad.scp} data/test/eval

local/split_data_enroll_eval.py data/test/utt2spk data/test/enroll/utt2spk data/test/eval/utt2spk

trials=data/test/aishell_speaker_ver.lst

local/produce_trials.py data/test/eval/utt2spk $trials

utils/fix_data_dir.sh data/test/enroll

utils/fix_data_dir.sh data/test/eval

通过local/split_data_enroll_eval.py脚本来完成划分，划分后，就会通过local/produce_trials.py来计算trials，trials 是指需要进行打分的注册说话人和不同的语音的一个列表，格式如下：

提取enroll和eval的ivector并计算结果

#extract enroll ivector

sid/extract_ivectors.sh --cmd "$train_cmd" --nj 10 \

exp/extractor_1024 data/test/enroll exp/ivector_enroll_1024

#extract eval ivector

sid/extract_ivectors.sh --cmd "$train_cmd" --nj 10 \

exp/extractor_1024 data/test/eval exp/ivector_eval_1024

#compute plda score

$train_cmd exp/ivector_eval_1024/log/plda_score.log \

ivector-plda-scoring --num-utts=ark:exp/ivector_enroll_1024/num_utts.ark \

exp/ivector_train_1024/plda \

ark:exp/ivector_enroll_1024/spk_ivector.ark \

"ark:ivector-normalize-length scp:exp/ivector_eval_1024/ivector.scp ark:- |" \

"cat '$trials' | awk '{print \\\$2, \\\$1}' |" exp/trials_out

#compute eer

awk '{print $3}' exp/trials_out | paste - $trials | awk '{print $1, $4}' | compute-eer -

在将测试集分成注册集和评估集之后，就开始分别提取注册集和评估集的 ivector，然后按照生成的 trials 打分，最终打分结果输出在exp/trials_outt 中, 最终跑出来的结果为 eer 为 0.183%。

流程图

流程图