Kaldi语音识别技术(四) ----- 完成G.fst的生成

Kaldi语音识别技术(四) ----- 完成G.fst的生成

一、N-Gram 语言模型简介

N-Gram是大词汇连续语音识别中常用的一种语言模型，对中文而言，我们称之为汉语语言模型(CLM, Chinese Language Model)。汉语语言模型利用上下文中相邻词间的搭配信息，可以实现到汉字的自动转换，汉语语言模型利用上下文中相邻词间的搭配信息，在需要把连续无空格的拼音、笔划，或代表字母或笔划的数字，转换成汉字串(即句子)时，可以计算出具有最大概率的句子，从而实现到汉字的自动转换，无需用户手动选择，避开了许多汉字对应一个相同的拼音(或笔划串，或数字串)的重码问题。

该模型基于这样一种假设，第N个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。

二、环境准备

srilm工具的安装

•这是生成ngram的工具-可以用来生成G.fst

•源站下载 http://www.speech.sri.com/projects/srilm/download.html（需要填写信息，国内目前无法访问）

•下载见这里 点我免费下载srilm-1.7.3.tar.gz和srilm-1.7.1.tar.gz

•将下载的srilm-1.7.3.tar.gz上传到kaldi目录的tools目录中 我的路径是~/kaldi/kaldi/tools

mv srilm-1.7.3.tar.gz srilm.tar.gz # 重命名
1

cd ~/kaldi/kaldi/tools
vim install_srilm.sh # 打开kaldi自带的安装脚本
1
2

该脚本需要从国外下载,先注释19~33行再执行,它会帮我们自动安装srilm,如下:

sh install_srilm.sh # 执行安装脚本
1

安装成功如下所示:

按照提示执行 . ./env.sh刷新环境变量

输入ng按两次TAB键出现以下内容说明srilm安装成功,可以正常使用

可以添加环境变量,避免每次都要执行 env.sh 激活

echo "export PATH=/root/kaldi/kaldi/tools/srilm/bin/i686-m64:/root/kaldi/kaldi/tools/srilm/bin" >> /etc/profile

source /etc/profile
1
2
3

创建G的文件夹

mkdir -p ~/kaldi/data/G/normal
mkdir -p ~/kaldi/data/G/G_learn
1
2

三、文件准备

(一) 准备语料

1. 使用Python生成语料

这里我们使用之前生成好的 text 文件 直接生成

# -*- coding: utf-8 -*-
# @Author : yxn
# @Date : 2022/11/13 12:23 
# @IDE : PyCharm(2022.2.3) Python3.9.13
def get_lm(data):
    """使用python脚本生成语料"""
    lm = []
    with open(data, "r", encoding="utf-8") as f:
        for line in f.readlines():
            lm.append(line.strip("\n").strip().split(" ")[1:])

    # # 保存语料
    save_path = "/root/kaldi/data/G/normal/text.lm"
    with open(save_path, "w", encoding="utf-8") as f:
        for i in lm:
            f.writelines(" ".join(i) + "\n")
    print("text.lm 语料生成成功! ")


if __name__ == '__main__':
    data_path = "/root/kaldi/kaldi_file/text"  # 之前数据处理生成的text文件
    get_lm(data_path)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

生成的语料如下:

2. 使用awk 快速生成语料

awk -F ' ' '{for (i=2;i<=NF;i++) printf("%s ",$i);print ""}' /root/kaldi/kaldi_file/text > ~/kaldi/data/G/normal/text.lm
1

效果和上面的python脚本是一模一样的,但是效率要高得多得多!

(二) 语言模型

1. 统计词频

ngram-count -text text.lm -order 3 -write train.text.count
#•参数详解：
#•-text 后接我们准备的语料
#•-order 后接我们的几元模型，即N-Gram 中的N
#•-write 统计的词频文件放入的文件
1
2
3
4
5

结果如下图所示:

2. 生成语言模型

ngram-count -read train.text.count -order 3 -lm LM -interpolate -kndiscount
#•参数详解：
#•-read 后接我们生成的语料统计文件
#•-order 后接我们的几元模型，即N-Gram 中的N
#•-lm 生成的语言模型名称
#•-interpolate 平滑函数 插值平滑
#•-kndiscount 回退概率函数
1
2
3
4
5
6
7

结果如下图所示:

3. 计算困惑度

ngram -ppl text.lm -order 3 -lm LM -debug 1
1

结果如下图所示:

四、G.fst的生成及查看

1. 使用 format_lm_sri.sh 脚本生成

推荐使用该脚本生成,其底层原理就是调用了arpa2fst命令

cd ~/kaldi/data
utils/format_lm_sri.sh L/lang G/normal/LM dict/lexicon.txt G/normal
1
2

#•参数详解：
#•第一个参数 lang文件夹
#•第二个参数 使用SRI生成的LM
#•第三个参数 词典
#•第四个参数 G.fst生成的位置
# Usage: utils/format_lm_sri.sh [options]   [] 
#  E.g.: utils/format_lm_sri.sh data/lang data/local/lm/foo.kn.gz data/local/dict/lexicon.txt data/lang_test
1
2
3
4
5
6
7

执行成功如下:

可以看到 ~/kaldi/data/G/normal路径下面有了如下文件:

2. 使用 arpa2fst 工具生成

与上面的方法类似,命令如下

arpa2fst --disambig-symbol=#0 --read-symbol-table=L/lang/words.txt G/normal/LM G/test/G.fst 
1

#•参数详解：
#•第一个参数 消歧符号
#•第二个参数 words.txt
#•第三个参数 使用SRI生成的LM
#•第四个参数 G.fst生成的位置
#Usage: arpa2fst [opts]  
# e.g.: arpa2fst --disambig-symbol=#0 --read-symbol-table=data/lang/words.txt lm/input.arpa G.fst
1
2
3
4
5
6
7

输出结果如下:

3.G.fst文本可视化

cd ~/kaldi/data/G/normal
fstprint --isymbols=words.txt --osymbols=words.txt G.fst > G_detail.txt
# 参数中，由于G.fst实际是一个fsa（有限状态接收器），所以输入和输出都是词
1
2
3

五、小的G.fst

同前面L.fst 一样,学习过程当中我们同样使用一个小的G.fst来进行学习

这里我们同样以 “今天天气真好 ”、“今天天气还不行 ” 这2句话来制作小的可视化数据

1. 创建小的语料

cd ~/kaldi/data/G/G_learn
vim text.lm
# 输入以下内容
今天 天气 真好
今天 天气 还 不行
# wq保存退出
1
2
3
4
5
6

2. 生成小语料的统计文件

ngram-count -text text.lm -order 3 -write train.text.count
1

3. 生成小语料的语言模型

ngram-count -read train.text.count -order 2 -lm LM
1

特别提醒: 由于小语料数据量太小，故不能使用平滑函数和回退函数

4. 生成小的G.fst

cd ~/kaldi/data
utils/format_lm_sri.sh L/lang_learn G/G_learn/LM dict/lexicon.txt G/G_learn
1
2

5. G.fst文本可视化

cd ~/kaldi/data/G/G_learn
fstprint --isymbols=words.txt --osymbols=words.txt G.fst > G_learn_detail.txt
1
2

6.G.fst图形可视化

#（1）生成dot文件
fstdraw --isymbols=phones.txt --osymbols=words.txt G.fst > G.dot
#（2）绘图
dot -Tjpg -Gdpi300 G.dot > G.jpg # 不太清晰
dot -Tsvg G.dot > G.svg
1
2
3
4
5

下载到本地电脑进行查看如下

六、封装成Shell脚本

后面有时间更新...
1