Kaldi WFST HCLG.fst 构图 学习
HCLG.fst由四部分构成
1.G:语言模型WFST,输入输出符号相同,实际是一个WFSA(acceptor接受机),为了方便与其它三个WFST进行操作,将其视为一个输入输出相同的WFST。
2.L:发音词典WFST,输入符号:monophone,输出符号:词;
3.C:上下文相关WFST,输入符号:triphone(上下文相关),输出符号:monophnoe;
4.H:HMM声学模型WFST,输入符号:HMMtransitions-ids,输出符号:triphone。
将四者逐层合并,即可得到最后的图。
HCLG= asl(min(rds(det(H'omin(det(Co min(det(Lo G)))))))
其中asl==“add-self-loops”和rds==“remove-disambiguation-symbols“,H'为没有自环的H。
一、G.fst用于对语言模型进行编码。当使用统计语言模型时,用srilm训练出来的语言模型为arpa格式,可以用arpa2fst将arpa转换成fst,详见kaldi中的utils/format_lm.sh。
举个栗子:
假设语言模型由data.txt内的数据训练得到,$cat data.txt
今天天气怎么样
今天北京的天气怎么样
明天天气怎么样
分词后,$cat data.split
今天 天气 怎么 样
今天 北京 的 天气 怎么 样
明天 天气 怎么 样
训练语言模型$ngram-count -text data.split -order 3 -lm query.arpa
$cat query.arpa
\data\
ngram1=9
ngram2=10
ngram3=2
\1-grams:
-0.7533277 </s>
-99 <s> -0.7907404
-0.9294189今天-1.059586
-1.230449北京-0.6268836
-0.7533277天气-0.5177391
-0.7533277怎么-0.5177391
-1.230449明天-0.5688916
-0.7533277样-0.5177391
-1.230449的-0.5688916
\2-grams:
-0.39794 <s>今天
-0.3309932 <s>明天
-0.3309932今天 北京
-0.3309932今天 天气
-0.1091445北京 的
-0.1249387天气 怎么0
-0.1249387怎么 样0
-0.1091445明天 天气
-0.1249387样</s>
-0.1091445的 天气
\3-grams:
-0.1249387天气 怎么 样
-0.1249387怎么 样</s>
\end\
同时还需要给每一个词赋予一个唯一的id(symboltable)
$cat data.split | tr ' ' '\n' | grep -v ^$ | sort -u |awk '{print $1""NR }END{print "<eps>"" "0;print "#0"""NR+1;print "<s>"" "NR+2;print "</s>"""NR+3 }' > words.txt
$cat words.txt
今天1
北京2
天气3
怎么4
明天5
样6
的7
<eps>0
#08
<s>9
</s>10
这样做的原因是:Kaldi运行时不会使用文本形式,而是用整数标号形式来表达和传递信息。
word.txt文件包含单个消歧符号“#0”(用于G.fst输入上的epsilon)。在语言模型G中的退避弧上有一个符号#0;
这确保了G在删除epsilons之后是可确定的。
然后即可用arpa2fst将arpa格式语言模型转换为fst
arpa2fst--disambig-symbol=#0 --max-arpa-warnings=-1--read-symbol-table=words.txt query.arpa G.fst
在实际应用中,需要有剔除不可用/包含集外词的N元语法等的操作,详见local/wsj_format_data.sh
至此,G.fst已经构好,想看构好的图长什么样,可以用fstdraw与dot
$fstdraw --isymbols=words.txt --osymbols=words.txt G.fst > fst.dot
通常dot转换为jpg后分辨率会过低且不支持显示中文,因此打开fst.dot文件,将其中的size大小扩大,
并将编码格式转换为utf-8,在每个fontsize前加上fontname="simsun.ttc",
vim中:%s:fontsize= 14:fontname="simsun.ttc",fontsize = 20:g
$dot -Tjpg fst.dot > fst.jpg
这部分最后一条命令是fstisstochastic,这是一个诊断步骤,他打印出两个数字,最小权重和最大权重,以告诉用户FST不随机的程度。
eg:9.14233e-05-0.259833
第一个数字很小,它证实没有状态的弧的概率加上最终状态明显小于1。第二个数字是重要的,这意味着有些状态具有“太多”的概率。对于具有回退的语言模型的FST来说,有一些具有“太多”概率的状态是正常的。
(thenumeric values of the weights in the FSTs can generally beinterpreted as negated log probabilities)FST中权重的数值通常可以解释为负对数概率。
二、L.fst是一个把音素映射成为词的发音词典FST,L.fst位于data/lang目录(language,与“语言”本身相关),在该目录下有如下内容:
L.fst L_disambig.fst oov.int oov.txt phones phones.txt topo words.txt
L.fst是FST形式的发音词典,对每个词的发音进行编码,输入是音素,输出是词。
L_disambig.fst也是FST形式的发音词典,不过它还包含为了消歧而引入的消歧符号(如#1、#2)和为自环(self-loop)而引入的#0。#0是来自G.fst的特殊消歧符号,它的作用是让消歧符号能够“通过”(passthrough)整个语言模型。
oov.txt中仅有一个元素:<UNK>,其作用是将所有词汇表以外的词都映射为这个词,这使得这个词的发音只包含一个被指定为“垃圾音素”(garbagephone)的音素。该音素被称为<SPN>,就是“spokennoise”的缩写,该音素会与各种口语噪声对齐。
#grep -w UNK data/local/dict/lexicon.txt
<UNK>SPN
oov.int中有<UNK>所对应的id。
phones.txt和words.txt为符号表(symboltable)文件,第一列为文本,第二列为数字。这两个文件用于将每个元素对应到唯一的id上。
topo指明了所用的HMM模型的拓扑结构//待补充
phones文件夹下有一系列文件,指明音素集合的各种信息,这些文件大多数包含三个不同版本:txt、int、csl。详见http://www.kaldi-asr.org/doc/data_prep.html
以上这些文件都不需要手动创建,kaldi提供了一个脚本utils/prepare_lang.sh可以用于创建这个目录中的多数文件:
utils/prepare_lang.shdata/local/dict "<UNK>" data/local/lang data/lang。
脚本utils/prepare_lang.sh支持很多选项。
--position-dependent-phones(true|false)。默认ture;用于决定是否将phone更详细地拆分为开始、
中间、结束、孤立灯给未知相关的phones。如果允许,则在每个phone后面加上_B_I _E _S用于标定位置[(B)egin,(E)nd, (I)nternal and (S)ingleton]。在构建决策树时可以对phone的位置进行提问,然后产生分裂。
-share-silence-phones(true|false)。该选项默认是false。如果该选项被设为true,所有静音音素(如静音、发声噪声、噪声和笑声)会共享同一个pdf(高斯混合模型),只有模型中的转移概率不同。这对IARPA的BABEL项目中的广东话数据集非常有效。它会构造一个roots文件,在文件中同一行出现的所有音素对应的HMM会共享他们的混合高斯分布。如果不想共享,可以把他们放在不同行。roots文件中,每一行前面都会有shared/not-shared和split/not-split修饰。
--sil-prob <probability of silence> # default: 0.5 [must have0 < silprob < 1]也可能很重要,只是具体该设置成多少需要更多的实验。
输入目录是data/local/dict/,<UNK>需要在字典中,是标注中所有OOV词的映射词(映射情况会写入data/lang/oov.txt中)。data/local/lang/只是脚本使用的一个临时目录,data/lang/才是输出文件将会写入的地方。
我们需要做的是准备好data/local/dict/。该目录下需包含以下文件:
extra_questions.txt lexicon.txt[lexiconp.txt] nonsilence_phones.txt optional_silence.txt silence_phones.txt
nonsilence_phones.txt内容为“真正”的音素,kaldi建议将每个basephone的不同形式都组织在单独的一行中。他们可以有不用的重音或者声调,例如aa1 a2 a3 a4
silence_phones.txt内容为“静音”音素,包含各种噪声、笑声、咳嗽、填充停顿等(SIL SPN NSN LAU)
extra_questions.txt有可能是空的;但通常会包含多行音素,每行的音素成员都有相同的声调,有的行可能是静音音素。这样做可以增强自动产生问题。在nonsilence_phones.txt中每个音素的不同声调表示都在同一行,这确保了他们在data/lang/phones/roots.txt和data/lang/phones/sets.txt也属同一行,这反过来又确保了它们共享同一个(决策)树根,并且不会有决策问题弄混它们。因此,我们需要提供一个特别的问题,能为决策树的建立过程提供一种区分音素的方法。注意:我们在sets.txt和roots.txt中将音素分组放在一起的原因是,这些同一音素的不同声调变体可能缺乏足够的数据去稳健地估计一个单独的决策树,或者是产生问题集时需要的聚类信息。像这样把它们组合在一起,我们可以确保当数据不足以对它们分别估计决策树时,这些变体能在决策树的建立过程中“聚集在一起”(staytogether)。
optional_silence.txt只包含一个音素来作为字典中的选择静音音素,通常是SIL。
lexicon.txt每个词的发音,格式为:<词><phone1> <phone2> …
注意: lexicon.txt中,如果一个词有不同发音,则会在不同行中出现多次。
在这些输入中,没有词位信息,即没有像_B和_E这样的后缀。
脚本prepare_lang.sh会帮我们添加这些后缀。
lexiconp.txt带概率的发音词典,格式为:<词><pron-prob><phone1> <phone2> …
注: 0.0<pron-prob<=1.0
如果存在lexiconp.txt,则优先使用lexiconp.txt而不用lexicon.txt
消歧符号是在词典中的音素序列末尾插入的符号#1,#2,#3等。当音素序列是词典中另一个音素序列的前缀,或者出现在一个以上的单词中时,需要在其后加上这些符号之一。需要这些符号以确保产品Lo G是可确定的。
可以使用脚本utils/make_lexicon_fst.pl将词典转换成fst输入文件的格式。
Usage:make_lexicon_fst.pl [--pron-probs] lexicon.txt [silprob silphone[sil_disambig_sym]] >lexiconfst.txt
使用fstcompile可以将text描述性的fst转换为二进制形式:
fstcompile–isymbols=phones.txt --osymbols=words.txt text_format.fstbinary.fst
为了之后要做的compose操作,这里还需要fstaddselfloops和fstarcsort。
生成的二进制fst可以使用fstdraw可视化,命令为:
fstdraw--isymbol=phones.txt –osymbol=words.txt binary.fst |dot -Tjpg >fst.jpg
三、有了G和L,我们就可以计算min(det(Lo G)),命令行如下:
fsttablecomposedata/L_disambig.fst data/G.fst | \
fstdeterminizestar--use-log=true | \
fstminimizeencoded| fstpushspecial | \
fstarcsort--sort-type=ilabel > somedir/LG.fst
四、上下文相关FST:triphone到monophone的转换器,加入他可以避免枚举所有可能的monophone
我们还有一个消歧符号#-1代替出现在上下文FSTC的左边的epsilons,在开始的话语(在我们开始输出符号之前)。这是必要的,以解决一个相当微妙的问题,当我们有一个空的语音表示的话(例如句子符号的开始和结束<s>和</s>)。
数据准备(datapreparation)阶段需要的文件有:
text中第一列为录音编号<utterance-id>,后面跟着每段录音的标注。
wav.scp中第一列为录音编号<recording-id>,第二列为音频文件路径<extended-filename>
utt2spk中第一列为录音编号<utterance-id>,第二列为讲话这id<speaker-id>
spk2utt中第一列为讲话着<speaker-id>,后面跟着他所说的话<utterance-id1> <utterance-id2> …
thchs30中执行local/thchs-30_data_prep.sh
就可以根据音频名和标注创建:wav.scp, utt2spk.scp, spk2utt.scp, text以及words.txtphone.txt
wav.trn第一行中文标注,第二行拼音,第三行音素
reference: http://www.kaldi-asr.org/doc/data_prep.html
http://blog.csdn.net/duishengchen/article/details/52514477
http://blog.csdn.net/wbgxx333/article/details/26233527
http://ftli.farbox.com/post/kaldizhong-wen-shi-bie#QuFenDuTrain
http://blog.csdn.net/u012361418/article/details/73006870
Kaldi WFST HCLG.fst 构图 学习相关推荐
- FST构图可视化详解
转载:https://blog.csdn.net/u013677156/article/details/77893661 目录 1.kaldi解码过程 2.fst可视化的两个基本命令 3.yesno例 ...
- Kaldi WFST最小化算法
WFST最小化算法 最小化算法主要是在保证DFA识别的语言不变的条件下,将DFA中等价状态合并,减少状态数.转移边数,简化DFA结构,从而减少存储空间和运算时间.比较有名的最小化算法有Moore,Ho ...
- 九宫图构图学习[2]
1)在马路上拍车流照片 实况模式下,人物站在马路上静止不动3秒,照片出来后,手机向上滑动,选择长曝光即可. 2)背景太单调时,打开闪光灯,用手遮住泛光灯,拍摄复古风照片. 3)建筑物太高,使用全景模式 ...
- kaldi理解WFST,HCLG,lattice
文章目录 WFST,HCLG lattice 两种lattice结构The Lattice type 和Compact lattices Lattice的产生 获取raw lattice,并将其转换为 ...
- kaldi 学习笔记-单音素训练
本人初入语音识别一个月, 最近开始学习kaldi源码.本文介绍kaldi语音识别对单音素训练的大致流程.欢迎指正纠错,谢谢. 0. 预备知识 单音素的训练在一个名为train-mono.sh的shel ...
- gentos 执行sh文件_学习kaldi跑thchs30记录(run.sh代码过程)
cmd.sh:运行配置目录,并行执行命令,通常分 run.pl, queue.pl 两种 path.sh:环境变量相关脚本(kaldi公用的全局PATH变量的设置) run.sh :整体流程控制脚本, ...
- 【Kaldi例子】构图与解码
构图和解码 基于HMM的语音识别模型实际上是在解码图中寻找最优路径.因此,要进行解码,需要先构建解码图: # Graph compilation utils/mkgraph.sh data/lang_ ...
- kaldi 源码分析(七) - HCLG 分析
Kaldi 语音识别主流程: 语音识别过程 解码网络使用 HCLG.fst 的方式, 它由 4 个 fst 经过一系列算法组合而成.分别是 H.fst.C.fst.L.fst 和 G.fst 4 个 ...
- 从0开始的Kaldi学习
Kaldi 教程 Kaldi的开始 Kaldi下载 使用github得到最新的kaldi工具包 git clone https://github.com/kaldi-asr/kaldi.git git ...
- 我们基于kaldi开发的嵌入式语音识别系统升级成深度学习啦
先前的文章<三个小白是如何在三个月内搭一个基于kaldi的嵌入式在线语音识别系统的 >说我们花了不到三个月的时间搭了一个基于kaldi的嵌入式语音识别系统,不过它是基于传统的GMM-HMM ...
最新文章
- Java核心技术卷I基础知识3.6.6 码点与代码单元
- Python开发【第十二篇】:DOM
- OpenGL 变换Transformations
- AUTOSAR从入门到精通100讲(三十五)-AUTOSAR BswM三部曲-概念实践代码分析
- mvc试图 下拉框不重复_面试前不巩固一下基础知识、刷刷题吗?
- 【算法】剑指 Offer 52. 两个链表的第一个公共节点
- 类型转换一种处理方式
- python cls方法
- 按月分表(create table)
- 【第七次全国人口普查 | Pyecharts】数据可视化~
- 鸡兔同笼c语言编程穷举,C语言程序设计100例之(1):鸡兔同笼
- .Net FW上线报错:The OwinStartup attribute discovered in assembly ‘AppName‘.
- 腾讯鉴黄php源码,“箫剑”变成首席鉴黄师 朱宏嘉唐马儒个人资料
- 华为云计算IE面试笔记-简述Fusion Storage主要模块MDC,OSD,VBS,FSA及FSM的功能定位及交互关系
- 基于评论的跨境电商产品满意度分析_kaic
- Oracle 添加主键、索引、删除主键、索引
- Windows批处理程序编程学习笔记
- 同一个局域网下的两台电脑实现定时或者实时拷贝数据
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(17):函数矩阵的微分和积分
- matlab 使用小波变换和方差性质处理带状噪声