kaldi数据准备（二）

local/prepare_data.sh

创建data/train, data/test, (data/dev可选)，每个文件里面必须包含text, wav.scp, utt2spk, spk2utt

for x in train_yesno test_yesno; do
      cat data/$x/text | awk '{printf("%s global\n", $1);}' > data/$x/utt2spk
    utils/utt2spk_to_spk2utt.pl <data/$x/utt2spk >data/$x/spk2utt
done

text和wav.scp, utt2spk提前准备好, spk2utt通过上面命令可以生成。

text : < uttid > < word >
wav.scp : < uttid > < utter_file_path >
utt2spk : < uttid > < speakid >
spk2utt : < speakid > < uttid >    

local/prepare_dict.sh

创建data/local/dict。

lexicon.txt 
lexicon_words.txt    
nonsilence_phones.txt 
silence_phones.txt    
optional_silence.txt 
extra_questions.txt     #可选
lexicon.txt        #词典包括语料中涉及的词汇与发音
lexicon_words.txt     #不包含静音的词典
silence_phones.txt     #静音标识sil
optional_silence.txt     #有选择性地在词之间出现的单音素sil
nonsilence_phones.txt     #非静音标识
silence_phones.txt   
extra_questions.txt     #包含重音音调标记

utils/prepare_lang.sh –position-dependent-phones false data/local/dict “\“ data/local/lang data/lang

输入是目录 data/local/dict，标签”\“是字典里的单词，映射OOV单词到出现在副本中的单词中（data/lang/oov.txt）。目录data/local/lang/是脚本会用到的临时目录；data/lang/是输出目录。

生成data/local/lang, data/lang
data/local/lang 是一个临时目录，生成的文件包括：

align_lexicon.txt        lexiconp_disambig.txt  
lexiconp.txt            lex_ndisambig  
phone_map.txt            phones

data/lang 里面包含的文件：

L_disambig.fst          L.fst          #词典fst
oov.int              oov.txt      phones  
phones.txt              topo          words.txt 

如果一个词有不同发音,则会在不同行中出现多次。如果你想使用发音概率,你需要lexiconp.txt而不是lexicon.txt

local/prepare_lm.sh

生成data/lang_test_bg，包含

G.fst        L_disambig.fst  #新生成的语言模型fst
L.fst          oov.int  oov.txt 
phones      phones.txt  
topo          words.txt 

脚本

#!/bin/bash

. path.sh

echo Preparing language models for test

for lm_suffix in tg; do
    test=data/lang_test_${lm_suffix}

      rm -rf data/lang_test_${lm_suffix}
      cp -r data/lang data/lang_test_${lm_suffix}

      arpa2fst --disambig-symbol=#0 --read-symbol-table=$test/words.txt input/task.arpabo $test/G.fst
      #arpa2fst --disambig-symbol=#0 --read-symbol-table=$test/words.txt my_data/3gram.arpa $test/G.fst

      fstisstochastic $test/G.fst

# The output is like:
# 9.14233e-05 -0.259833
# we do expect the first of these 2 numbers to be close to zero (the second is
# nonzero because the backoff weights make the states sum to >1).
# Because of the <s> fiasco for these particular LMs, the first number is not
# as close to zero as it could be.

# Everything below is only for diagnostic.
# Checking that G has no cycles with empty words on them (e.g. <s>, </s>);
# this might cause determinization failure of CLG.
#  #0 is treated as an empty word.


    mkdir -p tmpdir.g
    awk '{if(NF==1){ printf("0 0 %s %s\n", $1,$1); }} END{print "0 0 #0 #0"; print "0";}' \
    < data/local/dict/lexicon.txt  >tmpdir.g/select_empty.fst.txt
    fstcompile --isymbols=$test/words.txt
    --osymbols=$test/words.txt tmpdir.g/        select_empty.fst.txt | \fstarcsort 
    --sort_type=olabel | fstcompose - $test/G.fst >
    tmpdir.g/empty_words.fst
    fstinfo tmpdir.g/empty_words.fst | grep cyclic | grep -w 'y' &&
    echo "Language model has cycles with empty words" && exit 1
    rm -r tmpdir.g
done

echo "Succeeded in formatting data."

其中my_data/3gram.arpa是我们的3gram模型

ngram-count -wbdiscount -order 3 -text words.txt -vocab vocab.txt -unk -interpolate5 -lm 3-gram.arpa 

ngram-count命令可以google.

至此数据准备阶段完成了。进入data目录会看到下面的文件夹

lang              # 包含语言文件 
lang_test_bg         # 用于测试的语言文件 
local             # 包含了原始数据的信息，以及词典 
test             # 测试集 
train             # 训练集 

mfcc

for x in train dev test; do
      steps/make_mfcc.sh --cmd "$train_cmd" --nj $feats_nj data/$x exp/make_mfcc/$x $mfccdir
    steps/compute_cmvn_stats.sh data/$x exp/make_mfcc/$x $mfccdir
utils/fix_data_dir.sh data/$x     #该脚本会修复排序错误，并会移除那些被指明需要特征数据或标注，但是却找不到被需要的数据的那些发音（utterances）
done

生成mfcc, exp/make_mfcc以及data/train, data/test, date/dev里面的cmvn.scp feats.scp。
其中mfcc里面放着.scp和.ark特征文件，exp/make_mfcc里面有train, test, dev放着各种日志.log

make_mfcc.sh会用到conf/mfcc.conf

–use-energy=false # only non-default option.
–sample-frequency=16000 # Switchboard is sampled at 8kHz

采样频率在这里设置的，要是出现Sample frequency mismatch的问题在这里进行修改。

里面的所有脚本都可以自己根据实际数据情况进行更改。

注：本实例基于timit，timit数据集获取方式：

wget http://182.92.241.109/cxst_download/mnt/luojie/timit.zip