Getting started, and prerequisites.
rm/s5/run.sh
Data preparation
如果有GridEngine,
train_cmd="queue.pl -q all.q@a*.clsp.jhu.edu"
decode_cmd="queue.pl -q all.q@[ah]*.clsp.jhu.edu"
如果需要在本地运行
train_cmd="run.pl"
decode_cmd="run.pl"
创建训练集和测试集
local/rm_data_prep.sh /export/corpora5/LDC/LDC93S3A/rm_comp
生成如下:
local : Contains the dictionary for the current data. 包含当前数据的发音词典
train : The data segmented from the corpora for training purposes. 训练数据的seg标注信息
test_* : The data segmented from the corpora for testing purposes. 测试数据的seg标注信息
cd local/dict
head lexicon.txt
head nonsilence_phones.txt
head silence_phones.txt
/train和/test结构相同
head text
head spk2gender.map
head spk2utt
head utt2spk
head wav.scp
wc train/text test_feb89/text 比较训练集和测试集的词数,文件大小
下一步创建原始的语言文件
utils/prepare_lang.sh data/local/dict '!SIL' data/local/lang data/lang
这将会产生一个lang的文件夹,里面包含一个FST描述语言文件,输出文件夹(data/lang).
words.txt and phones.txt(data/lang/)被会用到,它们是openfst格式的符号表,代表从一个字符串到整数
的映射,
suffix .csl (in data/lang/phones) non-silence, and silence, phones 整数id键值对列表
phones.txt (in data/lang/) 音素符号表,处理FST的歧义符号,这