17-2 HTK Example: Digit Recognition (HTK 嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭嚙踝蕭)

有關於 CHMM 的實作，我們大部分是採用 HTK (Hidden Markov Model Toolket) 來進行語料的整理和訓練。以下將使用一個簡單的範例，來說明 HTK 的使用。在這個範例中，我們將進行中文數字辨識（從 0 到 9）的工作，包含使用 HTK 進行聲學模型的訓練，並計算相關的辨識率。

本頁使用了幾個特定的附檔名（mlf、scp、template、cfg、pam、init、hmm、net、grammar 等），若要正確顯示這些檔案於瀏覽器，請取消這些附檔名所對應的應用程式，以便直接將檔案內容呈現於瀏覽器。（若不取消這些相關的應用程式，瀏覽器將跳出對話視窗，詢問是否進行下載。）你可以使用下例的 batch 檔案來取消這些附檔名和應用程式的關連：

原始檔（htk/delAssociation.bat）：

（灰色區域按兩下即可拷貝）

assoc .mlf=
assoc .scp=
assoc .template=
assoc .cfg=
assoc .pam=
assoc .init=
assoc .hmm=
assoc .net=
assoc .grammar=

Hint

若要指定一個副檔名的關連應用程式，可用 assoc 命令。例如，若要取消副檔名為 scp 的相關應用程式，可以在 DOS 命令視窗下輸入「assoc .scp=」。

接著，你必須下載下列檔案：

• 下載 HTK 指令：展開後，有兩個目錄 bin 及 bin.win32，裡面包含我們會用到的 HTK 指令和其他資料處理指令。請由「控制台/系統/進階/環境變數/系統變數」，將這兩個目錄加入 path 的環境變數，以便後續由 DOS 視窗呼叫這些指令。
• 下載訓練指令及音訊檔案：展開後，有兩個目錄：
  • training：訓練所用到的程式碼。
  • waveFile：0 到 9 數字錄音的音訊檔案。
  請將上述目錄，放在沒有空格的路徑上。（請勿放在桌面，因為桌面的路徑有包含空格。）

請開啟 DOS 視窗，進入 chineseDigitRecog/training 目錄後，直接在 DOS 視窗下執行 goSyl13.bat，即可進行訓練，並計算辨識率。你也可以在 MATLAB 下，進入此目錄，並執行 goSyl13.m，可以得到相同的結果。

在進行所有的工作之前，我們要手動準備兩個檔案，第一個檔案是 digitSyl.pam，指明如何將每一個數字的拼音（Phonetic Alphabets）拆解成聲學模型（Acoustic Models），我們目前的作法，是將每一個音節看成一個聲學模型，如下：

原始檔（htk/chineseDigitRecog/training/digitSyl.pam）：

（灰色區域按兩下即可拷貝）

ba	ba
er	er
jiou	jiou
ling	ling
liou	liou
qi	qi
san	san
si	si
sil	sil
wu	wu
i	i

以上的拆解方法，是屬於比較簡略的方法，所得到的辨識效果也會比較差。後續會再說明比較精細的方法，例如以 Monophone 或是 Biphone 來做為聲學模型。

Hint

pam 代表 phonetic alphabets to model。

第二個檔案則是 digitSyl.mlf，紀錄每一個音訊檔案所對應的文句內容（以音節為單位），如下：

Example（htk/chineseDigitRecog/training/digitSyl.mlf）：

在上述檔案中，sil 代表靜音，因此當我們在 ling 前後都會加上 sil，就代表 "0" 的發音前後都有靜音。

Hint

• mlf 代表 master label file，用來記錄每個語音檔案的對應內容，可以使用音節（Syllables）或是音素（Phoneme）為單位。
• 由於 HTK 是以檔案名稱來對應至文句內容，所以每一個音訊特徵的檔案名稱，必須是獨一無二的。（音訊檔案之名稱，則不需唯一。）

以下將將針對 MATLAB 指令檔 goSyl13.m 及 Batch 指令檔 goSyl13.bat 來進行說明，這邊共包含了三大項工作：

1. 語音特徵的擷取：計算 MFCC
2. 聲學模型的訓練：使用 EM 來求取最佳參數
3. 聲學模型的效能評估：辨識率的計算

分別說明如下。

1. 語音特徵的擷取：計算 MFCC
   1. 產生輸出目錄
      我們先產生三個放置輸出檔案的目錄：
      • output：放置各種輸出檔案。
      • output\feature：放置語音特徵檔案。
      • output\hmm：放置訓練過程所產生的 HMM 參數檔案。
      MATLAB 指令如下：

      mkdir('output');
      mkdir('output/feature');
      mkdir('output/hmm');
      

      Batch 指令如下：

      for %%i in (output output\feature output\hmm) do mkdir %%i > nul 2>&1
      

      若目錄已經存在，則 Batch 指令不會印出任何警告訊息。
      Hint

      上述的 Batch 指令，是位於 goSyl13.bat 的內容。讀者若要將上述指令拷貝至 DOS 視窗執行，請務必將 %%i 改成 %i，以下類推。

   2. 產生 digitSyl.mnl 及 digitSylPhone.mlf
      先產生 syl2phone.scp 檔案，MATLAB 指令如下： fid=fopen('output\syl2phone.scp', 'w'); fprintf(fid, 'EX'); fclose(fid); Batch 指令如下： @echo EX > output\syl2phone.scp 所產生的 syl2phone.scp 檔案內容如下：
      原始檔（htk/chineseDigitRecog/training/output/syl2phone.scp）：

      （灰色區域按兩下即可拷貝）

      EX 
      

      其中的「EX」是代表 Expand，其意義是「由音節字串展開成phone字串」，將被用於 HTK 的 HLEd 指令，詳見下述。

      接著，我們可以使用下列 HTK 的 HLEd 指令來產生 digitSyl.mnl 及 digitSylPhone.mlf：

      HLEd -n output\digitSyl.mnl -d digitSyl.pam -l * -i output\digitSylPhone.mlf output\syl2phone.scp digitSyl.mlf
      

      在上述指令中，我們使用顏色來表示檔案的用途，藍色代表是輸入檔案，紅色代表是輸出檔案。輸出檔案 digitSyl.mnl 列出所有用到的聲學模型，如下：
      原始檔（htk/chineseDigitRecog/training/output/digitSyl.mnl）：

      （灰色區域按兩下即可拷貝）

      sil
      ling
      i
      er
      san
      si
      wu
      liou
      qi
      ba
      jiou
      

      Hint

      mnl 代表 model name list。

      而 digitSylPhone.mlf 則是將 digitSyl.mlf 的音節資訊轉換成為 phone 資訊的結果，以便用於聲學的訓練，檔案如下：

      Example（htk/chineseDigitRecog/training/output/digitSylPhone.mlf）：
      Hint

      由於我們是使用一個音節來作為一個聲學模型，因此 digitSylPhone.mlf 和 原先的 digitSyl.mlf 的內容恰巧一樣。

   3. 產生 wav2fea.scp
      接著我們要進行語音特徵擷取，也就是要將每一個 wav 檔案轉換成 MFCC，首先我們先產生 wav2fea.scp，MATLAB 指令如下：

      wavDir='..\waveFile';
      waveFiles=recursiveFileList(wavDir, 'wav');
      outFile='output\wav2fea.scp';
      fid=fopen(outFile, 'w');
      for i=1:length(waveFiles)
      	wavePath=strrep(waveFiles(i).path, '/', '\');
      	[a,b,c,d]=fileparts(wavePath);
      	fprintf(fid, '%s\t%s\r\n', wavePath, ['output\feature\', b, '.fea']);
      end
      fclose(fid);
      

      Batch 指令如下：

      (for /f "delims=" %%i in ('dir/s/b wave\*.wav') do @echo %%i output\feature\%%~ni.fea)> output\wav2fea.scp
      

      所產生的 wav2fea.scp 用來規範 wav 檔案和所產生的音訊特徵檔案的對應關係，其內容如下：
      Example（htk/chineseDigitRecog/training/output/wav2fea.scp）：

      由上述檔案可以看出，所有產生的語音特徵檔案，將以 fea 為附檔名，並放置在 output\feature 目錄下。

   4. 使用 HCopy.exe 進行語音特徵抽取
      接著，我們就可以使用 HTK 的 hcopy.exe 指令來產生 MFCC 檔案：

      HCopy -C mfcc.cfg -S output\wav2fea.scp
      

      在上述指令中，mfcc.cfg 是一個參數檔，用來規範產生 MFCC 的參數，其內容如下： Error: D:\users\jang\books\audiosignalprocessing/example/htk/chineseDigitRecog/training/mfcc.cfg does not exist!