PocketSphinx语音识别系统声学模型的训练与使用

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；

关于语音识别的基础知识和sphinx的知识，具体可以参考我的另外的博文：

语音识别的基础知识与CMUsphinx介绍：

PocketSphinx语音识别系统的编译、安装和使用：

PocketSphinx语音识别系统语言模型的训练和声学模型的改进:

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

SIL

文件中的代表句首的停顿，代表句末的停顿，代表句中词间的停顿。这些静音词汇共同对应音素SIL。

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

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。

(4)an4与sphinxtrain搭建语音训练系统

an4是一个CMU在1991年录的音频数据库。具体见：

需要的包有：sphinxbase、SphinxTrain、pocketsphinx、perl和python，这两个是额外的需要安装的包，如果在windows下的话，建议使用ActivePerl。

配置训练脚本：

注意下面的sphinxtrain-1.0.7和pocketsphinx-0.7是我们当时下载解压的相应的源码目录。

#mkdir /host/xtrain

#cd /host/xtrain

# ../sourcecode/sphinxtrain-1.0.7/scripts_pl/setup_SphinxTrain.pl -task an4

# ../sourcecode/pocketsphinx-0.7/scripts/setup_sphinx.pl -task an4

在当前目录下面会产生如下目录：

bin

bwaccumdir

etc

feat

logdir

model_parameters

model_architecture

scripts_pl

wav

把(2)、(3)中etc、wav下面的文件相应的拷贝到刚生成的wav与etc中。这时候xtrain目录的文件如下：

.

├──bin

│├──agg_seg

│├──batch.c

……

│└──tiestate

├──bwaccumdir

├──etc

│├──feat.params

│├──make_phoneset.pl

│├──my_db.dic

│├──my_db.filler

│├──my_db.phone

│├──my_db_test.fileids

│├──my_db_test.transcription

│├──my_db.tmp.vocab

│├──my_db_train.fileids

│├──my_db_train.transcription

│├──sphinx_decode.cfg

│└──sphinx_train.cfg

├──feat

├──logdir

├──model_architecture

├──model_parameters

├──scripts_pl

│├──00.verify

││└──verify_all.pl

│├──01.lda_train

││├──baum_welch.pl

││├──lda_train.pl

││├──norm_and_launchbw.pl

││├──norm.pl

││└──slave_lda.pl

……

│├──90.deleted_interpolation

││└──deleted_interpolation.pl

│├──bin

│├──bwaccumdir

│├──copy_setup.pl

│├──decode

││├──psdecode.pl

││├──setup_sphinx.pl

││├──setup_tutorial.pl

││├──slave.pl

││├──verify_dec.pl

││└──word_align.pl

│├──etc

│├──feat

│├──lib

││├──Queue

│││├──Job.pm

│││├──PBS.pm

│││└──POSIX.pm

││├──Queue.pm

││├──SimpleConfig.pm

││├──SphinxTrain

│││├──Config.pm

│││└──Util.pm

││└──test_SimpleConfig.pl

│├──logdir

│├──make_feats.pl

│├──make_phoneset.pl

│├──maketopology.pl

│├──model_architecture

│├──model_parameters

│├──new_experiment.pl

│├──RunAll.pl

│├──setup_SphinxTrain.pl

│├──setup_tutorial.pl

│├──texFormat.pl

│├──tune_senones.pl

│└──wav

├──setup_SphinxTrain.pl

└──wav

├──rec_wav.sh

├──test_wav.sh

├──voice_0001.wav

├──voice_0002.wav

……

├──voice_0016.wav

└──voice_0017.wav

然后我们需要修改etc文件夹下面的配置文件，还要修改很多变量；

(5)修改etc/sphinx_train.cfg配置

1)配置那些文件的路径

# These are filled in at configuration time

$CFG_DB_NAME = "an4";

改为

$CFG_DB_NAME = "my_db";

2)修改语音数据库的音频文件的格式

我们录制的是MSWav格式，所以修改sph为wav，修改nist为mswav。

# Audio waveform and feature file information

$CFG_WAVFILES_DIR = "$CFG_BASE_DIR/wav";

$CFG_WAVFILE_EXTENSION = 'sph';

$CFG_WAVFILE_TYPE = 'nist'; # one of nist, mswav, raw

改为

# Audio waveform and feature file information

$CFG_WAVFILES_DIR = "$CFG_BASE_DIR/wav";

$CFG_WAVFILE_EXTENSION = 'wav';

$CFG_WAVFILE_TYPE = 'mswav'; # one of nist, mswav, raw

3)文件命名

#*******variables used in main training of models*******

$CFG_DICTIONARY     = "$CFG_LIST_DIR/$CFG_DB_NAME.dic";

$CFG_RAWPHONEFILE   = "$CFG_LIST_DIR/$CFG_DB_NAME.phone";

$CFG_FILLERDICT     = "$CFG_LIST_DIR/$CFG_DB_NAME.filler";

$CFG_LISTOFFILES    = "$CFG_LIST_DIR/${CFG_DB_NAME}_train.fileids";

$CFG_TRANSCRIPTFILE = "$CFG_LIST_DIR/${CFG_DB_NAME}_train.transcription";

$CFG_FEATPARAMS     = "$CFG_LIST_DIR/feat.params";

确定etc下面的文件是以这种方式命名的。

4)配置模型类型与模型参数

#*******variables used in characterizing models*******

$CFG_HMM_TYPE = '.cont.'; # Sphinx 4, Pocketsphinx

#$CFG_HMM_TYPE  = '.semi.'; # PocketSphinx

#$CFG_HMM_TYPE  = '.ptm.'; # PocketSphinx (larger data sets)

cont表示的是连续模型，semi表示半连续模型，是什么类型，就把前面的注销符号#去掉就行了，pocketsphinx和Sphinx III一样，都是.cont。

5)配置声音特征参数

这里的操作为采样率为8KHz的情况，若采样率为16KHz，则可以直接略过此步操作。

vi feat.params

添加修改如下：

-samprate 8000.0

-nfilt 31

-lowerf 200.00

-upperf 3500.00

-dither yes

(6)配置解码参数etc/sphinx_decode.cfg

1)路径

# These are filled in at configuration time

$DEC_CFG_DB_NAME = 'an4';

改为

$DEC_CFG_DB_NAME = 'my_db';

2)语言模型名称

# This variables, used by the decoder, have to be user defined, and

# may affect the decoder output

$DEC_CFG_LANGUAGEMODEL_DIR = "$DEC_CFG_BASE_DIR/etc";

$DEC_CFG_LANGUAGEMODEL  = "$DEC_CFG_LANGUAGEMODEL_DIR/an4.lm.DMP";

改为

# This variables, used by the decoder, have to be user defined, and

# may affect the decoder output

$DEC_CFG_LANGUAGEMODEL_DIR = "$DEC_CFG_BASE_DIR/etc";

$DEC_CFG_LANGUAGEMODEL  = "$DEC_CFG_LANGUAGEMODEL_DIR/my_db.lm.DMP";

(6)开始训练

#cd /host/xtrain

#./scripts_pl/make_feats.pl -ctl etc/my_db_train.fileids

#./scripts_pl/make_feats.pl -ctl etc/my_db_test.fileids

#./scripts_pl/RunAll.pl

这需要几分钟的训练时间，但如果数据库很大的话，可能需要一个月的训练时间。整一个训练过程最重要的阶段是第一阶段，主要是检查所有的配置是否正确，还有输入的数据是够具有一致性。

新的声学模型在目录model_parameters中生成：

root@ubuntu:/host/xtrain/model_parameters# ls

my_db.cd_cont_1000    my_db.cd_cont_1000_2  my_db.cd_cont_1000_8   my_db.cd_cont_untied  my_db.ci_cont_flatinitial

my_db.cd_cont_1000_1  my_db.cd_cont_1000_4  my_db.cd_cont_initial  my_db.ci_cont

命名规则是：

model_parameters/.cd_cont_

或者

model_parameters/.cd_semi_

每个模型目录的文件如下：

mdef

feat.params

mixture_weights

means

noisedict

transition_matrices

variances

三、测试使用

#cd /host/xtrain

# pocketsphinx_continuous -hmm model_parameters/my_db.cd_cont_1000 -lm etc/my_db.lm.DMP -dict etc/my_db.dic

Reference

王韵，基于Sphinx的汉语连续语音识别，太原理工大学，硕士学位论文