训练步骤详解

HTK识别器的建立和使用--第一步：准备数据

以下五个步骤就是准备数据的全过程。

Step 1.创建语法和网络文件

如果要识别的是一些简单的拨号命令，如：

Dial three three two six five four

Dial nine zero four one oh nine

Phone Woodland

Call Steve Y oung

按照这些命令编辑语法文件，格式如下：

$digit = ONE | TWO | THREE | FOUR | FIVE |

SIX | SEVEN | EIGHT | NINE | OH | ZERO;

$name = [ JOOP ] JANSEN |

[ JULIAN ] ODELL |

[ DA VE ] OLLASON |

[ PHIL ] WOODLAND |

[ STEVE ] YOUNG;

( SENT-START ( DIAL <$digit> | (PHONE|CALL) $name) SENT-END )

假设语法文件名为gram,则利用HTK中的HPARSE工具创建单词网络文件wdnet,命令

格式为：

HParse gram wdnet

注：wdnet的具体形式见E:\HMM\HTKSample\WordNet

其中J表示支路，I表示节点内容，S表示支路起始，E表示支路结束。

作wdnet的目的是为了求得词词间的转移概率，以及建立三因子模型时考虑因子间的连接。

Step 2.创建词典文件

该文件创建比较复杂。所用的命令格式为：

HDMan -m -w wlist -n monophones1 -l dlog dict beep names

其中，wlist是单词列表文件，它有着自己的格式，最初可以将它写成文本格式的

文件，例如：

S0001 ONE V ALIDA TED ACTS OF SCHOOL DISTRICTS

S0002 TWO OTHER CASES ALSO WERE UNDER ADVISEMENT

S0003 BOTH FIGURES WOULD GO HIGHER IN LA TER YEARS

S0004 THIS IS NOT A PROGRAM OF SOCIALIZED MEDICINE

etc

然后，利用HTK提供的工具prompts2wlist可以将其转化为符合要求的wlist文件，

在这个文件中，每行只有一个单词，而且按照字母顺序排列，而且在面向任务的识

别器中，单词的范围是限定的。

注：wlist的具体形式见E:\htk\htk训练\文件实例\wlist.txt

wlist内的每个单词占一行，这样便于加入停顿信息。

接着，有了源词典beep和names，从这些词典中，可以搜寻到wlist文件里所列出的

各个单词的发音，beep是一般单词的发音词典，可以下载得到。而names则是手工

创建的文件，给出了识别任务里所用到的姓名的发音。

-l dlog将把已建立的辞典的各种统计信息输出到日志文件dlog中去，这些信息

可以告诉你是否遗漏某些单词。-n monophones1则把用到的音子都输出到文件mon ophones1中，在以后的步骤中，每一个这里的音子都会相应地被创建一个HMM模型。最后是词典文件dict的一般格式：

WORD [outsym] p1 p2 p3 ....

意思就是，单词WORD的发音是按照音子序列p1 p2 p3的顺序发出的，当单词被识别出来，它就以方括号里面的字串作为结果输出。[outsym]是个可选项，如果没有

它，则单词以本身的形式输出；如果有但是方括号里面为空，则什么也不输出。

注：wlist的具体形式见E:\htk\htk训练\文件实例\dict.txt

之所以建立这样一个小范围的词典，是为了缩小搜索空间。

monophones1的具体形式见E:\htk\htk训练\文件实例\monophones1.txt

建立monophones1只是便于查看用到的因子。

Step 3.录制数据

HSLab提供录音和标注的功能。它的格式为：

HSLab 文件名，可以用来录制训练数据和测试数据。训练数据的数据源可以来自

已有的语音数据库，而测试数据的数据源可以利用HSgen工具从现成的网络文件和

词典文件中产生，它能够随机地通过单词网络并输出每一个遇到的单词，其命令格

式为：

HSGen -l -n 200 wdnet dict，其中-n 200表示产生句子的数目为200个。

Step 4.创建转换文件

为了训练HMM模型，每一个训练数据文件都必须有一个相关联的音子层次上的转换。由于训练数据不能够自展成一系列的转换模型，所以需要用一个平稳的方案，

得用两次音子转换。第一次转换在词与词之间不加入停顿(sp)，接下来，一旦

产生合理的音子模型，一个sp模型就将被插入到单词之间，以表示由说话者引入的

暂停。对于训练数据，可以用文本编辑器，也可以用HTK提供的工具prompts2mlf

来生成其转换。例如，对于数据库提供的训练数据：

S0001 ONE V ALIDA TED ACTS OF SCHOOL DISTRICTS

用prompts2mlf生成的便是如下形式：

#!MLF!#

"*/b"

ONE

V ALIDA TED

ACTS

OF

SCHOOL

DISTRICTS

.

数据标号转换为路径名，每个单词占一行，每一句话以一个句号作为终结。第一行

则定义了此文件为Master Label File(MLF)。这样单个的文件包含了一套完全的转

换，虽然每个转换可以单独存在一个文件里，但是显然使用MLF更加高效。路径名