图灵汇官网

在准备Kaldi的语音识别项目时，我们需要处理和准备训练及测试数据。以下是数据处理阶段的一些关键步骤和脚本说明。

首先，我们执行 run.sh 入口程序。该程序会指导我们完成整个数据处理过程。接下来，我们将重点介绍一些重要的数据处理脚本及其功能。

数据处理阶段

训练和测试数据预处理

在开始详细讲解前20行代码之前，我们可以先了解几个关键步骤：

• 第3、4行代码用于并行处理任务，以加快计算速度。
• 第6至11行代码用于检查是否已下载并解压所需的 yesno 训练数据文件。如果没有，则自动从OpenSLR仓库下载并解压。
• 第13、14行设置了一些变量，用于生成训练目录和测试目录。
• 第16行用于删除之前的旧数据文件夹，包括 data, exp, 和 mfcc 文件夹。
• 第20行指向了今天我们需重点学习的数据处理脚本。

执行 local/prepare_data.sh 脚本

该脚本负责处理 waves_yesno 数据集，具体步骤如下：

1. 将 waves_yesno 目录中的所有文件名保存到 data/local/waves_all.list 文件中。
2. 使用 create_yesno_waves_test_train.pl 脚本将数据集分为训练文件名列表（data/local/waves.train）和测试文件名列表（data/local/waves.test），每部分包含30个文件名。
3. 使用 create_yesno_wav_scp.pl 脚本对测试数据进行标注，生成 data/local/test_yesno_wav.scp 文件，格式为： 1_0_0_0_0_0_0_0 waves_yesno/1_0_0_0_0_0_0_0.wav 1_0_0_0_0_0_0_1 waves_yesno/1_0_0_0_0_0_0_1.wav
4. 同样地，使用 create_yesno_wav_scp.pl 脚本对训练数据进行标注，生成 data/local/train_yesno_wav.scp 文件，格式类似。
5. 使用 create_yesno_txt.pl 脚本对测试数据进行标注，生成 data/local/test_yesno.txt 文件，格式为： 1_0_0_0_0_0_0_0 YES NO NO NO NO NO NO NO 1_0_0_0_0_0_0_1 YES NO NO NO NO NO NO YES
6. 同样地，使用 create_yesno_txt.pl 脚本对训练数据进行标注，生成 data/local/train_yesno.txt 文件，格式类似。
7. 在 data/local 目录下创建一个 lm_tg.arpa 文件，内容如下： data ngram 1=4 1-grams: -1 NO -1 YES -99 <s> -1 </s>

数据复制阶段

接下来，我们将数据从 data/local 目录复制到 data/train_yesno 和 data/test_yesno 目录中：

1. 创建 data/train_yesno 和 data/test_yesno 目录。
2. 将 data/local/test_yesno_wav.scp 和 data/local/train_yesno_wav.scp 分别复制到 data/test_yesno/wav.scp 和 data/train_yesno/wav.scp。
3. 将 data/local/train_yesno.txt 和 data/local/test_yesno.txt 分别复制到 data/train_yesno/text 和 data/test_yesno/text。
4. 使用 awk 工具处理 text 文件，生成 data/train_yesno/utt2spk 和 data/test_yesno/utt2spk 文件。这两个文件记录了每个发音和对应的说话者ID。
5. 最后，使用 utils/utt2spk_to_spk2utt.pl 脚本将 utt2spk 文件转换成 spk2utt 格式，以便后续处理。

以上步骤完成后，数据准备阶段基本结束。后续步骤将继续更新，请持续关注。

希望这些信息能帮助你更好地理解和使用Kaldi进行语音识别项目的开发。