Question

我编写了一个shell脚本来训练几种GMM，用于某些语音活动和静音。因此，我使用了LIUM扬声器diarization工具包。我想用它来进行语音活动检测。以下脚本通过使用Sphinx4从wav音频文件中提取MFCC功能，在这些上训练GMM并应用Viterbi解码进行分段。但是，结果非常差，即产生的分割完全错误。绝对不应该这样，因为我在训练集本身上应用GMM。我究竟做错了什么？我已经付出了很多努力，仍然无法让它发挥作用。非常感谢您提前获得任何帮助！

BTW：我仔细检查了我的wav文件的输入格式，根据Sphinx4文档，它是单声道16位LE。此外，我尝试了许多不同的参数设置，尤其是emCtrl（GMM训练）和dPenalty（Viterbi解码用于分段）等参数。对我没有任何帮助。

这是我的shell脚本：

# !/bin/bash

wav=$1
base=`basename $wav .wav`
show=$base
fDescIn="audio16kHz2sphinx,1:1:0:0:0:0,13,0:0:0"
fDescOut="sphinx,1:1:0:0:0:0,13,0:0:0"
features="./%s.mfcc"
seg="./%s.seg"
gmmInit="./%s.init.gmms" # output GMM, %s is replaced by $show
gmm="./%s.gmms"

# Extract MFCC features
java -Xmx2048m -classpath lium.jar \
fr.lium.spkDiarization.tools.Wave2FeatureSet \
--fInputMask=$wav --sInputMask="" --fInputDesc=$fDescIn \
--fOutputMask=$base.mfcc --fOutputDesc=fDescOut $show

# Initialize the GMM 
java -Xmx1024m -cp lium.jar \
fr.lium.spkDiarization.programs.MTrainInit \
--sInputMask=$show".seg" --fInputMask=$base.mfcc
--fInputDesc=$fDescOut --kind=DIAG --nbComp=16 \
--emInitMethod=split_all --emCtrl=1,5,0.05 --tOutputMask=$gmmInit $show

# Train GMMs via EM
java -Xmx1024m -cp lium.jar \
fr.lium.spkDiarization.programs.MTrainEM \
--sInputMask=$show".seg" --fInputMask=$base.mfcc --emCtrl=10,20,0.01 \
--fInputDesc=$fDescOut --tInputMask=$gmmInit --tOutputMask=$gmm $show

# Segmentation
iseg=./$datadir/$show.i.seg
pmsseg=./$datadir/$show.pms.seg
java -Xmx2048m -cp lium.jar \
fr.lium.spkDiarization.programs.MDecode \
--fInputDesc=$fDescOut --fInputMask=$base.mfcc --sInputMask=$show.out2.seg \
--sOutputMask=$show.result.seg --dPenality=1,1,1,1 --tInputMask=$gmm $show

Answer 1

在fDescIn和fDescOut的末尾添加“：1”。这指定了归一化方法，即在这种情况下是群集方式。分段方式的“：0”也起作用并取得了可比较的结果。

LIUM官方网站的代码示例在这方面是错误的。

使用LIUM进行语音活动检测（VAD / SAR）

1 个答案: