发音测评 kaldi compute gop 保姆级实战指南

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明，违反必究。
本文链接：https://blog.csdn.net/junxing2018_wu/article/details/126334989

用 kaldi 计算gop得分

计算原理

该部分参考 kalid官方操作指南

• GOP-GMM
  在传统的基于GMM-HMM的系统中，GOP最早是在(Witt et al., 2000)中提出的。
  它被定义为标准化后对数时段后验概率（the duration normalised log of the posterior）
  $$GOP(p)=\frac{1}{t_e-t_s+1}logp(p|o)$$
  这里的$o$是输入观测值，$p$是规范发音音素，$t_s$，$t_e$ 代表开始和结束的帧索引
  这里假设对于任意的$q_i$, $q_j$,
  $$p(q_i)\approx p(q_j)$$
  我们有
  $$logp(p|o)=\frac{p(o|p)p(p)}{{\sum }_{q\in Q}p(o|q)p(q)}\approx \frac{p(o|p)}{{\sum }_{q\in Q}p(o|q)}$$
  这里的$Q$表示所有phone音素集合
  等式的分子是从强制对齐结果计算出来的，而分母是从具有不受约束的音素循环的维特比解码中计算出来的。

Kaldi 没有为我们实现 GOP-GMM，因为 GOP-NN 的性能比 GOP-GMM 好得多。

• GOP-NN
  GOP-NN的定义与 GOP-GMM 有点不同。GOP-NN 定义为规范音素与得分最高的音素之间的对数音素后验比率（Hu et al., 2015）。
  首先，我们定义 Log Phone Postterior (LPP)：
  $$LPP(p)=logp(p|o;t_s,t_e)$$
  然后我们使用LPP定义 GOP-NN:
  $$GOP(p)=log\frac{LPP(p)}{ma{x}_{q\in Q}LPP(q)}$$
  LPP 可以计算为：
  $$LPP(p)\approx \frac{1}{t_e-t_s+1}\sum _{t=t_s}^{t_e}logp(p|o_t)$$
  $$p(p|o_t)=\sum _{s\in p}p(s|o_t)$$

where $s$ is the senone label, $s|s\in p$ is the states belonging to those triphones whose current phone is $p$.

这里$s$表示senone标记，$s|s\in p$ 是当前音素是$p$时的那些三音素的状态

• Phone-level Feature
  通常，基于分类器的方法比基于gop的方法性能更好
  和基于gop的方法不同，需要额外的监督训练过程。监督训练的输入特征是phone级别的分段特征。
  phone级别的特征定义为：
  $$[LPP(p_1),\dots ,LPP(p_j),\dots ,LPP(p_M),LPR(p_1|p_i),\dots ,LPR(p_j|p_i),\dots ,LPR(p_M|p_i)]$$
  这里 $M$ 是所有phone音素集合
  其中 phone $p_j$ 和 phone $p_i$ 之间的对数后验概率比率（
  Log Posterior Ratio (LPR)）定义为：
  $$LPR(p_j|p_i)=logp(p_j|o;t_s,t_e)-logp(p_i|o;t_s,t_e)$$

计算流程

• load_wav : 加载音频（16k wav）
• make_mfcc.sh : 提取 MFCC 特征（frame_size, 40）
• extract_ivectors : 提取 ivector 特征（暂时不能理解为啥gop需要说话人信息）
• compute_output.sh :
• align_mapped.sh : 每帧映射到 transition-id (三音素ID)
• ali-to-phones : 每帧映射到 phone-id
• compute-gop : [纯音素-id + LPPs + LPRs]

动手实做

• 安装kaldi

1. 拉取最新的 kaldi 代码
2. 根据 INSTALL 说明，进行编译，基本都能顺利成功

python 版本需要注意，默认使用python2.7，可以指定为常用的python3版本
可能系统默认gcc 版本不支持，可以通过指定gcc的版本进行编译，例如，

CXX=g++-6 extras/check_dependencies.sh
make depend CC=gcc-6 CPP=g++-6 CXX=g++-6 LD=g++-6
make CC=gcc-6 CPP=g++-6 CXX=g++-6 LD=g++-6 -j 8

3. 验证是否安装成功，如果执行 compute-gop --help看到如下信息kaldi就安装成功啦~ Congratulations~~~

$ compute-gop --help

Compute Goodness Of Pronunciation (GOP) from a matrix of probabilities (e.g. from nnet3-compute).
Usage:  compute-gop [options] <model> <alignments-rspecifier> <prob-matrix-rspecifier> <gop-wspecifier> [<phone-feature-wspecifier>]
e.g.:
 nnet3-compute [args] | compute-gop 1.mdl ark:ali-phone.1 ark:- ark:gop.1 ark:phone-feat.1

Options:
  --log-applied               : If true, assume the input probabilities have been applied log. (bool, default = true)
  --phone-map                 : File name containing old->new phone mapping (each line is: old-integer-id new-integer-id) (string, default = "")
  --skip_phones_string        : Do not write features and gops for those phones (string, default = "0")

Standard options:
  --config                    : Configuration file to read (this option may be repeated) (string, default = "")
  --help                      : Print out usage message (bool, default = false)
  --print-args                : Print the command line arguments (to stderr) (bool, default = true)
  --verbose                   : Verbose level (higher->more logging) (int, default = 0)

• 准备需要的python包

pip install kaldi-io==0.9.4 kaldiio==2.17.2 imblearn -i https://pypi.tuna.tsinghua.edu.cn/simple
```
- 使用开源数据 speechocean762 测试计算gop分数
```bash
# 进入到工作目录
```
$ cd $KALDI_ROOT/egs/gop_speechocean762/s5/

# 把假命令替换成真命令 
$ rm -f step
$ cp -r ../../wsj/s5/steps .
$ rm -f utils
$ cp -r ../../wsj/s5/utils .
$ rm -f local/feat_to_score_train.py
$ cp local/tuning/feat_to_score_train_1c.py local/feat_to_score_train.py
$ rm -f utils/run.pl
$ cp utils/parallel/run.pl utils/

# 执行gop计算
$ chmod 777 run.sh
$ ./run.sh
...
steps/align_mapped.sh: done aligning data.
The features are visualized and saved in exp/gop_train/feats.png
MSE: 0.70
Corr: 0.23
              precision    recall  f1-score   support

           0       0.24      0.31      0.27      1412
           1       0.05      0.78      0.09      1860
           2       0.99      0.36      0.53     44097

    accuracy                           0.37     47369
   macro avg       0.43      0.48      0.30     47369
weighted avg       0.93      0.37      0.50     47369
# 看到这里 恭喜您已经完成了本次实验。
```