kaldi基础介绍（一）在说话人识别中的数据准备

在kaldi说话人识别示例（egs/sre10,egs/sre16）中，数据总共有两大类，一是训练集（training），二是评估数据集（evaluation）。对于评估数据集又分为两类，一是用来注册（enrollment）的数据集，二是测试（test）集。

一、训练集的准备

训练集需要准备的文本文件是三类：spk2utt, utt2spk以及wav.scp

1 spk2utt 是说话人id（记作spkid）和说话人语音名称（uttid）的对应关系，通常来讲，一个说话人会有很多条语音，文件中的格式为，spkid uttid1 uttid2...，每一行有且只有一个说话人id。如下图所示

需要注意的是，每一行的uttid顺序需要按照sort命令的排序模式来排，以及spkid也需要按照排序命令sort的模式来排。否则kaldi脚本在进行validate_data_dir.sh的时候报错。

2 utt2spk 是单个语音名称uttid和说话人的对应，很明显每行都是一一对应关系。如下图

utt2spk也可以由kaldi自带脚本和spk2utt生成，也可以由自己写脚本完成

3 wav.scp 是语音名称uttid和其完整路径的对应，也是每行一个音频。但是根据数据集中音频文件格式的不同，需要添加一些转换格式的命令。

如果原始音频文件格式为wav，则只需要写uttid path，如下：

如果格式为sph或者flac，则需要加入格式转换的命令行，如下：

注：如果需要训练性别有关的模型，还需要加入spk2gender的文本文件

对于说话人识别的评估，我们首先需要注册一批说话人，既然是注册说话人的声纹，则每个说话人需要至少有一条语音用来注册。对于测试集，则还需要一个已注册说话人和某个语音的id以及标签label（表明是否是同一个人）

二、注册集

注册集和训练集一样，由：spk2utt，utt2spk，wav.scp 组成。文本文件内容的模式也和训练集保持一致，这里不再赘述。

三、测试集

测试集是由：spk2utt，utt2spk，wav.scp 以及trials 这四种文件组成。

1 在这里spk2utt 还有 utt2spk内容是一模一样的，都是uttid uttid，如下图：

2 wav.scp 的内容模式和训练集是一致的，它包含了所有的测试音频

3 trials文件格式： spkid uttid label，如下

以上就是kaldi说话人识别数据集的准备格式，自己手动写脚本准备的时候，会遇到的问题，一是排序问题，主要会出现在spk2utt以及utt2spk文件中，因此在生成这些文件的时候就需要注意一定的顺序性，也要根据实际情况改变uttid的名字，以便于通过validate-data-dir脚本的检测；二是转格式的问题，目前遇到的sph和flac就需要不同的工具去转格式（sph2pipe和sox）。