使用kaldi进行语音自动切分、模型训练和强制对齐

这里，主要介绍一下网上的教程，经过一步步实验，对某些可能让人容易误解的地方进行注释。

1. 只有原始录音和音素标注，进行初次以及多轮的单音素、三音素模型训练，并且基于这些模型进行语音切分：

http://pages.jh.edu/~echodro1/tutorial/kaldi/kaldi-training.html

手工实验下来，只有两个地方略微不同。

1. 网上谈到要在lexicon.txt的顶部加入<oov> <oov>，然后在silence_phones.txt中加入oov。在初次进行训练时，他给的命令是： 

cd mycorpus
utils/prepare_lang.sh data/local/lang 'OOV' data/local/ data/lang

这里出错了，说OOV没有定义。

所以，实际上，在lexicon顶部要加入的是 oov oov，没有尖括号，小写。在silence_phones.txt中写入的也是oov，小写，没有尖括号。那么在这个命令中，要写成'oov'，这样才能对齐。其实，可以把oov都换成sp，等，任何符号，表示静音段或者不认识的音素。

2. 写入silence_phones.txt的代码，作者写的是：

echo –e 'SIL'\\n'oov' > silence_phones.txt

我用的ubuntu 16.X，这个命令生成的phones.txt是一行 -e SIL\noov。显然，这不是想要的，我们要生成的是两行，第一行是SIL，第二行是oov。

3. 偶尔会有些路径上的不一致。不过，至少，在这个教程里，绝大部分路径是一致的。这个教程与接下来的强制对齐的路径略有不同，主要是 exp/tri4a_ali，后者写的是exp/tri4a_alignment。

2. 在第一个教程的基础上，进行强制对齐。

http://pages.jh.edu/~echodro1/tutorial/kaldi/kaldi-forcedalignment.html

我运行完第4步，完成了强制对齐文件ctm文件的获取。基于这个文件和data/lang/phones.txt等就可以抽取出想要的音素对齐结果了，不用再使用他的工具了。其实，主要是我看不懂.R文件，暂时不想学，所以，这一步，我可以直接用python生成最终的TextGrid文件了，一步到位。