WinHTK开发与使用一：软件设计

   WinHTK开发与使用一：软件设计

        接触语音识别的同行都会了解HTK，HTK工具包的功能很强大；但是对于习惯界面操作的很多人而言，它有一些先天不足。当然对于一开始就习惯类Unix等命令行界面开发者而言，这些都不是问题，所以本系列文章只针对习惯了可见即可及操作系统的，对于语音识别技术感兴趣的初学者。导致HTK不方便使用的原因主要以下几点：

(1) 不方便安装，随便上网上一搜，涉及HTK的基本都是问如何安装，包括本人也是琢磨了很长一段时间（本人一开始也只是对在Windows开发，故此出现类似问题）；

(2) 使用麻烦，windows下可以在Cygwin软件环境下使用HTK的方法，好像看似方便了，因为可以利用windows下的工具进行一些数据处理和文本编辑，但又出现新问题，其中最主要的是，必须学会Perl脚本语言的编程，好像多学一样东西不是坏事，可问题是有些人的直接目标是语音，他们不想把过多的时间浪费在一些其它方面的学习上；

(3) 组织不方便，在unix下组织文件是一件很辛苦麻烦的事情，这也是HTK中很多关于路径搜索的处理的原因。

说白了，就一句，很多人就是一个初学者，如果连语音识别入门就很难，自然会阻碍大家对于语音识别技术的深入研究。基于以上原因，我在Windows环境下，对HTK进行再次开发，希望能够让更初入门语音识别的同行，解决最开始的障碍，后续的路还是要靠自己走的。

一、概述

    整个软件从功能上划分主要分为四部分：文件管理和文本编辑，HTK工具调用和调试，识别应用界面，语音文件录制。如图1所示。各部分设计内容和功能如下。

图1 WinHTK设计内容

(1) 文件管理和文本编辑。这部分的设计的目标是实现一个很好的文件管理系统，还有良好文本编辑环境。文件管理方式有很多种，在这里采用了最熟悉的树形文件管理方式，以项目的方式对语音识别中涉及的文件进行管理，同时实现了多种文件管理功能，比如添加删除文件夹，新建、复制、粘贴文件等等。在这里有一个重要的问题，工作路径的选择，常用方法是新建一个项目后，固定工作路径为项目所处的目录。本设计采用动态决定工作路径方式，这主要是由于HTK内在的路径处理方式所决定的，这样决定也是方便使用者选择适合自己的路径处理方式。除了文件管理，这部分的另一个功能就是，文本编辑。由于进行处理时，经常需要同时处理多个文件，因此设计了一个多文件编辑的文本编辑器。这部分设计是本软件的重点，也是难点。

(2) HTK工具调用和调试。这部分设计主要是实现HTK工具的调用。由于HTK工具多达十几个，因此要同时处理好工具的隐式调用和显示不是一件容易的事情。由于所有这些工具需要的处理是一致的，因此在本设计中对它们进行了统一管理并进行显示，将直接命令方式调用改成辅助式的命令行调用，免去了繁杂的命令行参数记忆。除了实现HTK调用，还应当能够实时观察HTK的运行结果，方便调试，以便决定下一步操作，对于这个问题，本设计也给出了很好的解答，具体在后面叙述。

(3) 识别应用界面。有时候，不仅仅需要进行理论研究，制作一些简单的识别应用也是有必要的。为此，根据HTK识别器的特点，本设计开发了一个用于实现识别应用的接口界面，既可以静态识别，即对语音文件识别，也可以动态识别，即实时录音识别。需要强调的是，这个识别界面可以显示汉语的识别结果，因此必不可少需要一个翻译文件。

(4) 语音文件录制。尽管实际中有很多录音软件，但是它们要么操作太复杂，要么就是不能胜任语音识别系统开发任务的实际需要。因此为解决这个问题，本设计附带开发用于语音文件录制的功能。该录音器的特点是，可以实现同时多个文件的录制，文件名的动态编排。录音器的难点在于波形的动态演示，本设计中对这个问题处理不太利索。</