HTK声学建模.pptVIP

HTK声学建模 主要内容 对于声学建模的一些简单介绍 HTK声学建模step by step 演示？ 声学模型 一个语音识别系统需要 前端处理（eg.去噪） 声学模型（wav跟音子的对应关系） 语言模型（是否组成合法的句子） 识别模块 目前主流的方法 声学模型采用HMM(Hidden Markov Model ) 输出是语音的特征向量 HTK声学建模 已有数据 语音文件（Wav） 标注到汉字级别的label文件 目标： 建立一个cross word triphone声学模型 使用的工具： HTK (HMM Tool Kit) 用于实现隐马模型的一个工具集 要训练得到的声学模型实际上就是一个HMM HMM模型要素 状态转移概率矩阵 随意设定 输出概率分布 最终的声学模型采用多维混合高斯密度函数（可逐步迭代得到） 因此有均值、方差这两个参数 初始状态概率分布 因HTK要求有一个初始状态节点，因此无需给出 相当于在状态转移概率矩阵中已给出 HMM三个基本问题 评估问题（向前/向后算法） 给定了模型和观察序列，如何计算该模型产生该观察序列的概率 求最佳状态序列（Viterbi算法） 重估问题（Baum-Welch算法） 估计模型的最佳参数 这里我们要做的实际上就是解决这个问题 Cross word triphone 建模单元（音子/phone）： 汉语拼音声母，韵母 Eg: 姚鲨对决 = Y ao sh a d ui j ve 每一个phone都建立一个HMM cross word 相对于within-word（词内上下文有关）而言 是也考虑词与词之间的上下文相关性（Context Dependent）的模型 Triphone（三音子） Monophone(单音子) Y ao sh a d ui j ve 上下文仅考虑前后各一个音子 Y+ao y-ao+sh ao-sh+a sh-a+d …… 每一个triphone建立一个HMM 利用HTK进行声学模型训练 （对具体命令参数不做展开） 总流程图 数据准备（1） 1、Wav文件编码成39维特征向量 2、制作符合HTK格式的phone level 标注文本 数据准备（2） — label文件格式 HTK中匹配策略是：wav文件与label文件同名，后缀不同 HTK提供一种MLF(Master Label Files)来组织标注文件 SubDirDef格式 #!MLF!# *-E:\%声学建模\训练数据\word label“ 另一种格式 #!MLF!# “*\STN1.lab sil n i sil . “*\STN10.lab sil t a . 定义模型原型(2) 模型原型proto定义 5-3-7（5个状态，三个状态有输出，7个转移） 输出向量采用39维MFCC_0_D_A特征向量 输出概率分布：单高斯密度函数 建模单元（62个） Sil（静音silence,起初加在每句话的开头和结尾） 声母（24个） 韵母（38个，去除ueng） ueng在实际的写法中都写成weng proto文件实例 ~o VecSize 39 MFCC_0_D_A ~h proto“ BeginHMM NumStates 5 State 2 Mean 39 0.0 0.0 0.0 ... Variance 39 1.0 1.0 1.0 ... State 3 Mean 39 0.0 0.0 0.0 ... Variance 39 1.0 1.0 1.0 ... State 4 Mean 39 0.0 0.0 0.0 ... Variance 39 1.0 1.0 1.0 ... TransP 5 0.0 1.0 0.0 0.0 0.0 0.0 0.6 0.4 0.0 0.0 0.0 0.0 0.6 0.4 0.0 0.0 0.0 0.0 0.7 0.3 0.0 0.0 0.0 0.0 0.0 EndHMM Flat-start模型初始化 重新标注语料、模型迭代 利用前步得到的初始化模型进行一次粗切分，对训练语料进行重新标注（对齐） 利用得到的细标语料再次训练 重新对齐的标注文件 #!MLF!# E:/%声学建模/训练数据/MFCC/stn1.lab 0 200000 sil 200000 500000 sh 500000 800000 uei 800000 1000000 n 1000000 1200000 eng 1200000 1400000 y 1400000 1900000 vn 1900000 2300000 c 2300000 2500000 ang 2500000 3000000 l 加入sp使模型更精确 说话人在词与词之