选自：http://maotong.blog.hexun.com/6204849_d.html
苏统华
哈尔滨工业大学人工智能研究室
2006年10月30日
声明：版权所有，转载请注明作者和来源
该系统能够识别连续说出的数字串和若干组姓名。建模是针对子词(sub-word, eg. 音素)，具有一定的可扩充性。当加入一个新名字时，只需修改发音词典和任务语法即可。模型为连续混合高斯输出，运用语音决策树聚类形成的绑定状态式三音素。
2. 创建单音素HMM模型
涉及创建一系列单高斯单音素HMM的过程。
[step 6]一致初始法创建单音素模型
定义一个原始模型proto：
|
文件名：proto |
|
~o <VecSize> 39 <MFCC_0_D_A> ~h "proto" <BeginHMM> <NumStates> 5 <State> 2 <Mean> 39 0.0 (x39) <Variance> 39 1.0 (x39) <State> 3 <Mean> 39 0.0 (x39) <Variance> 39 1.0 (x39) <State> 4 <Mean> 39 0.0 (x39) <Variance> 39 1.0 (x39) <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> |
训练文件存于train.scp中，用全局均值和方差来初始化HMM模型的高斯参数：
HCompV -C .configconfig1 -f 0.01 -m -S train.scp -M .hmmshmm0 proto
注4：也可以省掉-C参数，只要train.scp里是特征文件列表，并且特征是MFCC_0_D_A
在目录hmm0下生成了更新后的proto和一个截至宏vFloors。基于.hmmshmm0下的两个文件，手工制作主宏文件（Master Macro File）hmmdefs和与vFloors相关的宏macro，具体制作过程见HTK book，压缩包中有实例。
由于暂时不用sp模型，删去monophones1中的sp，构成monophones0文件，重估参数：
HERest -C .configconfig1 -I .labelsphones0.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm0macros -H .hmmshmm0hmmdefs -M .hmmshmm1 .listsmonophones0
同上，重复估计两次：
HERest -C .configconfig1 -I .labelsphones0.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm1macros -H .hmms\hmm1hmmdefs -M .hmmshmm2 .listsmonophones0
HERest -C .configconfig1 -I .labelsphones0.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm2macros -H .hmmshmm2hmmdefs -M .hmmshmm3 .listsmonophones0
注5：为节省空间，也因为上面三步很简单（想出错都难），hmm1和hmm2下的模型文件并没有包含在压缩包里。但hmm3下的模型文件包含在压缩包里了（因为下一步要用到）。
[step 7]修补哑音素模型
对sil模型加入回溯链，对sp绑定到sil的中间状态上。具体的，哑音素模型按下面两步执行。首先，修改hmm3hmmdef，复制sil的中间状态为sp模型的唯一状态,另存到hmmshmm4目录下。然后，指明sp绑定到sil中间状态，利用HHEd加入回溯转移概率：
HHEd -H .hmmshmm4macros -H .hmmshmm4hmmdefs -M .hmmshmm5 sil.hed .listsmonophones1
修改mkphones0.led,去掉最后一行，存为mkphones1.led，利用HLEd工具得到包含sp的音素级真值文本：
HLEd -l * -d .dictdict1 -i .labelsphones1.mlf mkphones1.led .labels rainwords.mlf
重估两次：
HERest -C .configconfig1 -I .labelsphones1.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm5macros -H .hmmshmm5hmmdefs -M .hmmshmm6 .listsmonophones1
HERest -C .configconfig1 -I .labelsphones1.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm6macros -H .hmmshmm6hmmdefs -M .hmmshmm7 .listsmonophones1
注6：hmm5和hmm6下的模型文件并没有包含在压缩包里。为了进行下面的阶段性测试，hmm7下的模型文件包含在压缩包里了。
这么没头没尾的干下去，太枯燥了！我们先看看这时的识别率如何吧，也能增加一点成就感。执行如下命令：
HVite -H .hmmshmm7macros -H .hmmshmm7hmmdefs -S test.scp -l * -i . esults ecout_step7.mlf -w wdnet -p 0.0 -s 5.0 .dictdict1 .listsmonophones1
HResults -I .labels estwords.mlf .listsmonophones1 . esults ecout_step7.mlf
输出结果如下：
|
====================== HTK Results Analysis ======================= Date: Mon Oct 30 20:20:52 2006 Ref : .labels estwords.mlf Rec : . esults ecout_step7.mlf ------------------------ Overall Results -------------------------- SENT: %Correct=0.00 [H=0, S=15, N=15] WORD: %Corr=94.12, Acc=41.18 [H=64, D=0, S=4, I=36, N=68] ============================================================== |
看着上面的结果，你不感到奇怪么？话语级识别正确率怎么是零！通过分析识别输出文件recout_step7.mlf，发现在每一句上都加上了SENT-START和SENT-END。这是与标注真值文本无法完全吻合的黑手呀！一个解决办法是在运行HResults时加入-e选项来忽略掉SENT-START和SENT-END，如下所示：
HResults -e ??? SENT-START -e ??? SENT-END -I .labels estwords.mlf .listsmonophones1 . esults ecout_step7.mlf
这时的输出结果：
|
====================== HTK Results Analysis ======================= Date: Mon Oct 30 20:33:27 2006 Ref : .labels estwords.mlf Rec : . esults ecout_step7.mlf ------------------------ Overall Results -------------------------- SENT: %Correct=66.67 [H=10, S=5, N=15] WORD: %Corr=94.12, Acc=85.29 [H=64, D=0, S=4, I=6, N=68] =============================================================== |
上面的方案可以解决问题，但不是很完美。应该在获得的识别结果中（recount_step7.mlf）不产生SENT-START和SENT-END才好。分析dict1字典发现，对应SENT-START和SENT-END的相关信息如下：
SENT-END sil
SENT-START sil
应该加入[]以表示他们并不输出任何东西。把dict1字典另存为dict2并替换上面两行成如下形式：
SENT-END [] sil
SENT-START [] sil
重新运行问题解决。相应的，HResults的参数可以省掉-e了：
HVite -H .hmmshmm7macros -H .hmmshmm7hmmdefs -S test.scp -l * -i . esults ecout_step7_2.mlf -w wdnet -p 0.0 -s 5.0 .dictdict2 .listsmonophones1
HResults -I .labels estwords.mlf .listsmonophones1 . esults ecout_step7_2.mlf
[step 8]重校准训练数据
确认trainwords.mlf中的路径为”*/S0???.lab”，修改dict2 加入silence sil一项，另存为dict3，执行HVite进行Viterbi校准：
HVite -l * -o SWT -b silence -C .configconfig1 -a -H .hmmshmm7macros -H .hmmshmm7hmmdefs -i .labelsaligned.mlf -m -t 350.0 -y lab -I .labels rainwords.mlf -S train.scp .dictdict3 .listsmonophones1
重估两次：
HERest -C .configconfig1 -I .labelsaligned.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm7macros -H .hmmshmm7hmmdefs -M .hmmshmm8 .listsmonophones1
HERest -C .configconfig1 -I .labelsaligned.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm8macros -H .hmmshmm8hmmdefs -M .hmmshmm9 .listsmonophones1
我们再来看看这时的识别率怎么样。
HVite -H .hmmshmm9macros -H .hmmshmm9hmmdefs -S test.scp -l * -i . esults ecout_step8.mlf -w wdnet -p 0.0 -s 5.0 .dictdict2 .listsmonophones1
HResults -I .labels estwords.mlf .listsmonophones1 . esults ecout_step8.mlf
这时的输出结果：
|
====================== HTK Results Analysis ======================= Date: Mon Oct 30 21:06:51 2006 Ref : .labels estwords.mlf Rec : . esults ecout_step8.mlf ------------------------ Overall Results -------------------------- SENT: %Correct=73.33 [H=11, S=4, N=15] WORD: %Corr=97.06, Acc=88.24 [H=66, D=0, S=2, I=6, N=68] =============================================================== |
可以看出，识别结果比校准前有不小的提高。我们继续重估两次测试一下结果，看看会出现什么情况：
HERest -C .configconfig1 -I .labelsaligned.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm9macros -H .hmmshmm9hmmdefs -M .hmmshmm9_1 .listsmonophones1
HERest -C .configconfig1 -I .labelsaligned.mlf -t 250.0 150.0 1000.0 -S train.scp -H .hmmshmm9_1macros -H .hmmshmm9_1hmmdefs -M .hmmshmm9_2 .listsmonophones1
HVite -H .hmmshmm9macros -H .hmmshmm9hmmdefs -S test.scp -l * -i . esults ecout_step8_2.mlf -w wdnet -p 0.0 -s 5.0 .dictdict2 .listsmonophones1
HResults -I .labels estwords.mlf .listsmonophones1 . esults ecout_step8_2.mlf
识别结果如下：
|
====================== HTK Results Analysis ======================= Date: Mon Oct 30 21:18:34 2006 Ref : .labels estwords.mlf Rec : . esults ecout_step8_2.mlf ------------------------ Overall Results -------------------------- SENT: %Correct=73.33 [H=11, S=4, N=15] WORD: %Corr=97.06, Acc=88.24 [H=66, D=0, S=2, I=6, N=68] ============================================================== |
发现识别结果提高有限!下面通过绑定状态的三音素模型来进一步提高识别效果。
注7：hmm8和hmm9_1下的模型文件并没有包含在压缩包里。