Kaldi语音识别技术(七) ----- GMM

训练GMM

前面文章中我们讲了相比DTW，GMM的优点，那么我们怎么获取训练GMM呢？

GMM的训练流程如下图:

整个过程分为10个环节，其中有5个是与对齐相关的，为了方便理解，这10个环节，只讲其中的2个（train_mono 单因素训练模型和align_si对齐），其他的基本都是进行优化，大家以后涉及这一块可以自行百度。大致的流程是先训练一个高斯模型，使用这个高斯模型对训练数据进行对齐，然后使用对齐后的数据再训练一个高斯模型。如（上面右侧的图），最开始，先训练一个单音素模型，然后使用单音素模型对训练数据进行对齐，然后基于这些对齐数据，再训练一个三音素模型，然后再使用三音素模型对训练数据进行对齐，然后再使用lda、mllt等算法重估GMM模型，然后再对训练数据进行对齐，然后对模型进行说话人无关和相关操作，最后再次对训练数据进行对齐。整个GMM训练模型的过程就是这样。总的来说，模型训练得越好，对齐就对得越准，就越可以提高语音识别的准确度。

训练GMM—mono训练流程

我们来看下单音素模型是怎么训练的，首先训练一个模型，必须先要有一个起始模型，然后在再这个起始模型上进行迭代训练。所以kaldi就调用了gmm-init-mono来初始化模型，它使用了训练数据中特征来初始化模型。初始化好模型后，就是制作graph，这个图的输入有好几个，有初始化的模型，有lang文件中的L.fst，还有词典及训练数据中的文本，生成的结果是一个句子到音素级别的fst的压缩包（gz）。

我们完成前面2步后，如何使用我们提取好的特征与制作的FST图对应起来，这就需要对齐。第三步使用了均匀对齐（图中的等对齐），前面也讲过FST是把标签文件的句子细化拆分到词、到字、到音素，再到HMM中的状态。

为了方便理解，图中我们只细化到音素，将词（中国）拆分为字（中和国），再拆分为音素（zh,ong1,g,uo2）,每一个字有2个音素，总共4个音素，上面的黄色竖条分别代表一帧特征（MFCC特征），这里的均匀对齐就是假设有上诉4个音素，有100帧特征，每个音素就均匀分到了25帧特征，分别求这25帧特征的均值和方差，就可以得到相应的高斯模型了。

图下部分为我们的三音素模型（考虑了协同发音），三音素模型的数据量很大，所以在kaldi中使用了决策树聚类，将一些相近发音的音素聚合在一起归为一类，然后集中训练。在均匀对齐后，我们就要进行模型重估了，初始化模型是在部分训练数据中随机出来的，现在我们已经统计了全部音频数据的特征，及通过均匀对齐，每帧特征对应的状态及跳转概率。基于这些信息，我们对模型进行重估，下一步，对重估后的模型对齐数据（第五步），此时我们就不是使用均匀对齐的方式，而是使用重估模型后的统计量，并结合前面所做的fst生成新的对齐信息，这个过程可以简单理解为一个模型对训练集的解码过程，把每帧数据对应的特征放到每个音素或者每个状态对应的GMM中算概率，概率最大的音素就是这一帧对应的音素，如前面我们说的每个音素对应25帧，经过这一步后，每个音素对应的就变化了（假设第一个音素就对应20帧了）。基于这些对齐信息，我们就可以统计计算每个音素的跳转次数占全部跳转次数的比列，这样就可以重估HMM网络中每个状态的跳转概率，然后更新这些状态转移概率和每一帧的对齐信息后，又可以重估我们的GMM模型（第六步跳到第四步），就这样反复的重估模型，生成新的对齐信息，统计转移概率，然后再重估模型。具体这样多少次由我们自行设置，默认为40次。

train_mono.sh 用于训练GMM

我们来看下单音素模型在Kaldi中具体是怎么训练的，是调用step文件夹下的train_mono.sh脚本。特别要注意，如果使用多线程参数，nj数不能超过说话人数（spekerid），它是按照说话人数来进行分线程数的。

train_mono.sh 用法：

./steps/train_mono.sh 
Usage: steps/train_mono.sh [options] <data-dir> <lang-dir> <exp-dir>
 e.g.: steps/train_mono.sh data/train.1k data/lang exp/mono
main options (for others, see top of script file)
  --config <config-file>                           # config containing options
  --nj <nj>                                        # number of parallel jobs
  --cmd (utils/run.pl|utils/queue.pl <queue opts>) # how to run jobs.

参考：Kaldi 入门详解 train_mono.sh 官方文档

首先准备一下kaldi环境

. ~/kaldi/utils/path.sh
mkdir H_learn
cd ~/kaldi/data

然后执行脚本

./steps/train_mono.sh --nj 2 --cmd "run.pl" H/kaldi_file_test L/lang H/mono

参数详解：
第一个参数：–nj 几个线程并行训练 (注：如果是提取的每个说话人的特征，nj数不能超过说话人数)
第二个参数：run.pl 本机运行
第三个参数：特征文件夹（含cmvn以及原始的mfcc特征，见专栏博文五）
第四个参数：lang文件夹（L文件夹中的lang文件夹）
第五个参数：输出GMM训练数据（单音素模型）文件夹

训练GMM—生成文件

使用train_mono.sh训练单音素模型后，我们生成了这些文件，首先最重要的肯定是模型（mdl，其中0.mdl表示初始化的模型；40.mdl表示迭代了40次的结果；final.mdl表示最终模型），其次是occs结尾的文件，可以简单理解为是一个全局统计量，统计每个音素或者每个音素对应几个状态的信息。ali..gz是对齐信息，每迭代一次模型，对齐信息就会更新一次。fst..gz是网格信息，就是我们前面所讲的一些FST信息。tree是决策树，是将发音类似的一些音素聚集成一类，方便计算。log是训练过程中产生的日志，如果训练过程中出现错误，基本都能在这里面找到相应的错误信息。

*.mdl：模型 0.mdl表示初始化的模型；40.mdl表示迭代了40次的结果；final.mdl表示最终结果。
*.occs：每个pdf出现的个数
ali.*.gz：对齐信息
fst.*.gz：网格信息
tree：决策树
log ：训练过程log

训练GMM—final模型查看

将final.mdl的数据转换为文本并输出到final_mdl.txt文本中 (–binary=false 表示不使用二进制数据)

gmm-copy --binary=false final.mdl final_mdl.txt

vim final_mdl.txt 打开文件如下：

这里面前面23行前面我们生成G.fst时生成的topo文件中有这部分信息。我们可以画出相应的HMM状态，即6-909状态共用一个HMM3状态，1-5（静音音素）共用一个HMM5状态，第24行2727表示我们决策树聚类的个数。决策树信息中：第一列为音素索引（phone-id），第二列为HMM状态，第三列为PDF索引（决策树的类）

我们可以看见我们的音素总共有909个，那么为什么可以聚为2737个类呢？可以在图中看见，从25行开始到49行总共25行的第二列看出，他们都属于静音音素（为什么？序号都是0-4,5个状态，只有静音音素才有5个状态）。最终我们可以得出聚类的个数公式为：

决策树类的个数 = 静音音素数 * 5 + 非静音音素 * 3

由于决策树中其他信息较多，大家可自行打开本机决策树信息查看，<LogProbs> 中的信息为每个类的转移概率，<dimension>中的数字为输入特征（MFCC）的3倍，是因为输入的特征做了一阶差分和二阶差分，再加上原来的特征就是这个数字39，<numpdfs>就是我们的决策树类的个数，每一个类都可以对应一个高斯混合模型（GMM）。下面的就是对图中的656个GMM的描述，一个高斯模型的描述只需要均值和方差即可（知道就行），如果是一个混合高斯的话，就需要多个高斯组合在一起，就需要每个高斯的在混合高斯中的权重，如上图中的权重<weights>中有2个权重，那么就说明描述这个音素的概率的混合高斯是由2个单高斯组成的，各自的权重分别是XXX,XXX，均值有39列，1个高斯对应1个39维的均值，2个高斯就有2个均值。同样的，方差也是一样的。除了权重，这里还有一个超参<gconsts>，也是一个高斯对应一个。这里不在过多的进行深度介绍。

训练GMM—final.occs查看

接下来我们看下final.occs文件，可以简单把它理解为是一个全局统计量，统计每个音素或者每个音素对应几个状态的信息。即对每个HMM网络的描述。前面我们讲过每个音素又可以细分为BEIS（分别对应几个状态），我们知道HMM静音音素有5个状态（BEIS+自身5个状态），非静音音素BEI3个状态。occs就是将每个音素拆分后分别进行统计。Transition-state是对每个状态的描述，其中count of pdf中的数字表示这个边出现的次数。

统计每个音素或者每个音素对应几个状态的信息

show-transitions phones.txt final.mdl final.occs > final_occs.txt

vim final_occs.txt 打开文件如下：

训练GMM—对齐信息查看

# 1 解压  
gzip -d ali.1.gz

提特征按帧级别提的，训练也是按帧级别训练的，训练的结果是什么？可以通过ali-to-phones 命令查看我们哪几帧对应哪一个音素，图中每一个数字表示一个音素Id，为方便查看，我们需要将音素id转换为对应音素。

# 2 使用ali-to-phones进行查看
ali-to-phones --per-frame=true final.mdl ark:ali.1 ark,t:ali.1.txt

每个phone-id对应的音素是什么？使用int2sym.pl 脚本可以将音素id转换为对应的音素，我们就可以看见每个音素的时间信息。

# 3 将音素id转换为对应的音素
~/kaldi/data/utils/int2sym.pl -f 2- phones.txt <ali.1.txt >ali.1.phones

每个音素持续的时间是多久？ 比如这一句话“设定二十九度”，大家可以通过音频查看软件查看核实，由于我们现在使用的是单音素训练模型，对齐的不一定完全准确，所以需要多次反复对模型进行训练。

# 4 各音素的对齐时间信息
ali-to-phones --ctm-output=true final.mdl ark:ali.1 -| ~/kaldi/data/utils//int2sym.pl -f 5 phones.txt >ali.1.time

训练GMM—fsts.*.gz查看

这里面存储的是每个语句对应的fst网络结构信息，这里不过多赘述

# 1、解压  
gzip -d fsts.1.gz
# 2、查看
fstcopy ark:fsts.1 ark,t:fsts.1.txt
vim fsts.1.txt

训练GMM—tree决策树查看

• 文本查看

tree-info tree

num-pdfs 683 表示：决策树类的个数，一共分了683个类
context-width 1 单音素模型不考虑相互音素，所以为1，如果是3音素模型的话，这里就是3
central-position 0 表示决策树的位置是0，如果是3音素，这里就是1（central表示中间音素，前面的为0，后面的为2）

• 可视化决策树

draw-tree phones.txt tree | dot -Gsize=8,10.5 -Tps | ps2pdf - tree.pdf

可以通过draw-tree命令把决策树可视化画出来，由于决策树很大，这里只截取了一部分，未显示完全，可在pdf中打开查看。从上图中可以看见，SIL静音音素是一个子节点，对应着5个节点（0-4节点），音素ua5对应着3个节点（5-7节点），就与前面所讲的对应起来了（静音音素5个状态，非静音音素3个状态）

align_si.sh 用于对齐

用于对齐

单音素模型训练好后，接下来，我们就可以使用单音素模型对训练数据进行对齐。对齐命令为align_si.sh，这就是GMM训练模型的第二步。

cd ~/kaldi/data
./steps/align_si.sh --nj 2 --cmd "run.pl" H/kaldi_file_test L/lang  H/mono H/mono_ali 

参数详解：
第一个参数：–nj 几个线程并行训练 (注：如果是提取的每个说话人的特征，nj数不能超过说话人数)
第二个参数：run.pl 本机运行
第三个参数：特征文件夹（含cmvn以及原始的mfcc特征）
第四个参数：lang文件夹（L文件夹中的lang文件夹）
第五个参数：单音素训练模型文件夹
第六个参数：对齐后的数据文件夹

训练GMM—查看mono_ali.sh 生成内容

# 1、解压  
gzip -d ali.1.gz
# 2、生成各音素的对齐时间信息
ali-to-phones --ctm-output=true final.mdl ark:ali.1 -|~/kaldi/data/utils/int2sym.pl -f 5 phones.txt >ali.1.time

ps: 同样，我们也可以使用ali-to-phones命令查看对齐信息。

训练GMM—比对mono和mono_ali对齐信息

我们可以比较我们对齐后的信息与训练Mono时的对齐信息，可以看出2个文件的总行数相差不大，大部分对齐信息相差不大，说明单音素模型的对齐能力就这样了，需要换新的算法来提高模型的对齐能力。