htk解码器网络

Htk解码器网络

之前看过一部分wfst解码器的代码,跟pocketsphinx的解码器部分结构上面不太一样,所以阅读了一下htk的解码器部分的说明,以期望对pocketsphinx的代码阅读有帮助。

参考资料:

HTK book http://htk.eng.cam.ac.uk/download.shtml

 

解码器网络

一、     解码器网络的概况

网络分为两种:word网络和phone网络。

l  word网络有两种形式:一种是由语法文件(Task Grammer)构建的网络;还有一种是由语言模型(word loop)构建的网络。网络的描述形式是SLF(Standard Lattice Format)格式的文件。

l  根据词典将词级别的网络可以扩展为phone级别的网络。

 

具体过程参考下图:


上图中相关命令的含义如下:

HParse:将语法树文件转化为SLF

HBuild:将二元语言模型(bigramlanguage model)转化为SLF,或者将word网络分解成子网络

HSGen:根据SLF文件随机生成一些结果,用于评估构建网络的复杂度

HDMan:产生词典文件

HLStats:产生语言模型

HDict:网络加载词典文件

HLM:网络加载语言模型

HNet:将词典、HMM set和word网络转化为HMM的网络

HRec:加载HMM网络来识别语音输入

HVite:集合了HNet和HRec的功能

二、     什么是解码器网络

虽然也是由节点node和边arc构成的,但是和wfst网络还是有很大的不同,等以后涉及wfst网络的时候再做详细的类比。对于word网络的SLF,节点表示word,边表示word之间的转移概率。

简单的word网络如下:


它对应的SLF文件如下:


详细含义和规则参考HTK book的Chapter 20。

为了减少边的数量,可以增加空节点!NULL,如下图所示


三、     Word级别网络(SLF文件)的是怎么生成的

(一)         根据语法文件产生

1.      使用HParse命令,语法规则:

|

或关系

[ ]

里面是可选项

{ }

0或者多次重复

<> 

1或者多次重复

<<>> 

上下文有关的循环

   

2.      使用HBuild命令

根据主网络(a main lattice) 和子网络集合(aset of sub-lattices)生成word网络。相当于网络中的一个节点代表一个子网络。

(二)         根据语言模型产生

使用HBuild命令读取二元的语言模型生成,结构图如下:


四、      词典怎么产生

(一)         词典的类型

1.      Phone级别的词典

2.      word-internal contextdependencies级别的词典

HNet命令会自动将phone级别的字典扩展为该类型

也可以自己将dict扩展成这种类型

3.      Cross-word dependencies级别的词典

只能由HNet产生

(二)         词典的生成

使用HDMan命令生成词典,可以有多个字典的输入文件

五、     Word网络和词典扩展为hmm网络

输入:词典、word网络、HMM set

输出:HMM网络

命令:HNet

(一)         主要步骤

1.      Context definition

根据发音词典的音素决定声学模型的名字,以及是否需要根据上下文进行扩展。分为三种情况:

(a) Context Free

上下文确定的时候该音素不变,比如sp这个三音素(在每个词发音的结尾会加入该音素)。

(b) Context Independent

也是上下文确定的时候不变,比如sil这个三音素(相当于静音)。sil和sp的区别在于sil可能会出现在其他的三音素中,但是sp不会,比如sil-aa+r。

(c) Context Dependent

上下文有关,三音素的形式,取决于hmm set里面有没有这种三音素的定义

2.      Determination of network type

如果词典里面的所有phone都出现在hmm set里面的话,无需进行phone的扩展,直接在word网络中按照词典的发音展开即可。

如果不满足上面条件,将词典的phone按照internal context expansion展开,判断展开以后的音素是否都出现在hmm set中。

如果不满足上面条件,将词典的phone按照full cross-word context expansion展开,判断展开以后的音素是否都出现在hmm set中。

ALLOWCXTEXP,ALLOWXWRDEXP, FORCECXTEXP这三个参数决定进行何种级别的展开。

3.      Network expansion

Word网络里面的word节点前面扩展该word的发音,根据上下文扩展的话,初始和最终的三音素可能需要复制成多个节点用于对应于前一个word或者后一个word。

如下图中:t的输出but有三个出边,所以需要将t这个节点复制为三个t节点,每一个t节点后面都跟着but节点。

4.      Linking of models to network nodes

将单音素根据上下文生成对应的三音素

对应于:

(二)         实例



评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值