AIBigKaldi（五）| Kaldi的单音子模型训练（上）（源码解析）_kaldi 模型训练

本文来自公众号“AI大道理”。

这里既有AI，又有生活大道理，无数渺小的思考填满了一生。

提取了MFCC特征，并进行倒谱均值方差归一化，数据检查无误后就可以进行模型训练了。

首先进行的是单音素模型训练，然后进行三音子模型训练。

单音子模型为后期训练提供对齐基础。
以kaldi中的yesno为例。​

1 单音子模型训练

3 train_mono.sh

源码解析：

Usage: steps/train_mono.sh [options] <data-dir> <lang-dir> <exp-dir>

过程之道：

初始化模型->生成训练图HCLG.fst->对标签进行初始化对齐->统计估计模型所需的统计量->估计参数得到新模型->迭代训练->最后的模型final.mdl。

在迭代训练中：

使用gmm-align-compiled对齐特征数据，得到新的对齐状态序列；

调用gmm-acc-stats-ali计算更新模型参数所用到的统计量；

调用gmm-est更新模型参数，并且在每一轮中增加GMM的分量个数。

 

2 初始化模型

3.1 gmm-init-mono.cc

功能：

初始化模型是最基础的模型。
这是不需要任何训练数据就可以得到的模型。
（无中生有）

输入：HMM的拓扑结构，特征维度

输出：模型、决策树

源码解析：

过程之道：

• 初始化全局特征的均值和方差glob_inv_var，glob_mean均为1，大小等于特征维度。如果有输入特征，另外再计算更新。

• 读入拓扑结构HmmTopology，建立里面所有phone到该phone的Pdf class数目的映射。

• 构建决策树，只需要根据set.int文件递归的构造树。

• gmm-init-mono构建GMM。每个pdf初始化只有一个gmm，也就是单高斯，均值方差来自之前的glob_inv_var，glob_mean， weight为1，均值方差也都为1，计算常数部分gconsts 即高斯分布x为0时的概率。

• 将所有gmm模型导入声学模型am_gmm中。最后输出transition和声学模型的文件model，决策树tree。

初始化模型结果：

这已经是一个完整的声学模型了，可以用它来进行语音识别，只是识别率不高。

0.mdl的内容如下：

/kaldi-trunk/src/gmmbin/gmm-copy --binary=false exp/mono0a/0.mdl -

0.mdl包含TransitionModel转移模型和多个DiagGMM高斯模型。

其中：

拓扑结构：

三状态HMM（非静音）

可见共6个转移弧。

五状态HMM（静音）

可见共4*4+2=18个转移弧。

音素 hmm状态：

1号是静音因素有5个HMM状态，用01234表示，其他因素只有3个状态，用012表示 。

pdf-id就是0-10，每个状态对应一个GMM分布。

取对数之后的转移概率：

转移弧个数31=2*6+1*18+1

其中第一个0是因为transition-id是从1开始，在所有转移弧前补充一个0。

高斯模型：

维度39维（没有能量），pdf-id个数为11个，参数包含means_invvars均值和inv_vars方差、权重、每一分量高斯分布里的常量部分取log后的数值。

得到了初始化的模型0.mdl， 2个音素，11个状态。

每个状态对应一个只包含一个高斯分量的GMM。

可以直接用这个模型进行语音识别，但效果会很差。

后续的参数迭代中要更新每个状态的HMM转移概率和GMM的均值向量以及协方差矩阵，同时进行单高斯分量到混合高斯分量的分裂。

tree
查看tree内容：
 /kaldi-trunk/src/bin/copy-tree --binary=false tree -

文件之后的内容，是递归保存了一棵决策树。
构造决策树的过程：
CE（Constant EventMap）：叶子节点，直接保存该节点存放的transition ID；
SE（Split EventMap）：非叶子节点，保存左右子节点yes，no等等；
TE（Table EventMap）：非叶子节点，保存节点数以及各个子节点的指针。

3 预编译训练图

3.2 compile-train-graphs.cc
功能：
训练用每句话转换成一个FST结构，输入是音素，输出是整个句子。
输入：tree ， transition_model ，L.fst(Lexicon)，训练文件标注。

输出：为图 HCLG.fst

标注文本：

为什么需要训练图？

kaldi训练模型并不是采用理论中的Baum-Welch算法的软对齐，实践中是使用Vitrerbi算法进行硬对齐。

（可见理论和实践的差异。）

为了获得每一帧对应的状态号作为训练的标签，需要构建一个直线形的状态图。

在这个图上利用Viterbi算法求得最优路径，同时得到帧与状态的对齐。

源码解析：

构造结果：
状态图是一个直线型的图，包含了标注文本的状态序列，同时每个状态有指向自身的跳转即self-loop。
在monooa目录下运行：
/kaldi-trunk/src/bin/compile-train-graphs --read-disambig-syms=../../data/lang/phones/disambig.int tree 0.mdl ../../data/lang/L.fst 'ark:../../utils/sym2int.pl --map-oov 1 -f 2- ../../data/lang/words.txt < ../../data/train_yesno/split1/1/text|' ark,t:HCLG.fst.txt
 

去掉0_0_0_0_1_1_1_1和其他语音，保存。
转化为fst图：
fstcompile   HCLG.fst.txt HCLG.fst
可视化：
fstdraw  --isymbols=phones.txt HCLG.fst | dot -Tps > HCLG111.ps

放大：

整体来看这个状态图是一个直线型的图，包含了标注文本的状态序列，同时每个状态有指向自身的跳转即self-loop。
圆圈表示的就是状态，里面的数字是状态的id。
弧上面，冒号前面的数字是transition-id，冒号后面的数字是输出的音素；斜杠后面的数字是权重。
只包含标注文本的状态序列。
（构造训练图是基于抄本构建的，比后面的构造解码图要简单些，所采用的代码也不一样。）

4 模型训练

 

构造好训练图接下来就可以进行训练了。
所谓训练就是在训练图上进行解码，获得最优路径的同时得到对齐序列，根据对齐序列进行统计信息量。
转移概率可以进行数数获得，GMM参数随着对齐的帧数变化而更新，同时GMM分量从一开始的单高斯split出更多的高斯。
如此不断迭代训练获得单音子模型。
 

下期预告

AIBigKaldi（六）|  Kaldi的单音子模型训练（下）

往期精选

AIBigKaldi（四）|  Kaldi的特征提取

AIBigKaldi（三）|  Kaldi的数据准备

AIBigKaldi（二）|  Kaldi的I/O机制

AIBigKaldi（一）|  Kaldi的目录结构

AI大语音（十四）——区分性训练
AI大语音（十三）——DNN-HMM
AI大语音（十二）——WFST解码器（下）
AI大语音（十一）——WFST解码器（上）

AI大语音（十）——N-gram语言模型
AI大语音（九）——基于GMM-HMM的连续语音识别系统
AI大语音（八）——GMM-HMM声学模型
AI大语音（七）——基于GMM的0-9语音识别系统
AI大语音（六）——混合高斯模型（GMM）
AI大语音（五）——隐马尔科夫模型（HMM）
AI大语音（四）——MFCC特征提取
AI大语音（三）——傅里叶变换家族
AI大语音（二）——语音预处理
AI大语音（一）——语音识别基础

 ——————

浅谈则止，细致入微AI大道理

扫描下方“AI大道理”，选择“关注”公众号

—————————————————————

—————————————————————

投稿吧   | 留言吧