HTK (Hidden markov model ToolKit)

導入

Windowsで利用することを前提とします。

ダウンロード

ダウンロードには、事前にユーザー登録が必要です。

HTK Speech Recognition Toolkit

過去のファイルがIndex of /ftp/softwareにあり、ここにはWindowsのバイナリもあります。

コンパイル

ダウンロードしたファイルのhtk\READMEにコンパイルの方法がありますので、それに従います。

  1. ダウンロードしたファイルを展開する。
  2. コマンドプロンプトを起動する。
  3. ソースを展開したフォルダへ移動する。
  4. htkフォルダへ移動する。
    cd htk
  5. ライブラリとツール用にフォルダを作成する。
    mkdir bin.win32
  6. VCVARS32を実行する。実行に失敗する場合にはパスを確認する。たとえばVisual Studio 2008ならば、それは%PROGRAMFILES(X86)%\Microsoft Visual Studio 9.0\VC\binにある。なお、その内容は"%VS90COMNTOOLS%vsvars32.bat"を実行するだけのため、これをそのまま実行しても同じ。
  7. HTKライブラリをビルドする。 
    cd HTKLib
nmake /f htk_htklib_nt.mkf all
cd ..
  8. HTKツールをビルドする。 
    cd HTKTools
nmake /f htk_htktools_nt.mkf all
cd ..
cd HLMLib
nmake /f htk_hlmlib_nt.mkf all
cd ..
cd HLMTools
nmake /f htk_hlmtools_nt.mkf all
cd ..

作成したツールについては、The HTK Toolsに解説があります。

動作確認

ソースコードと同じページのHTK Speech Recognition ToolkitにHTK samplesがあり、これで動作を確認できます。これの使用法は、サンプルを展開したsamples\HTKDemo\README.NTにあります。

まずHTKDemoフォルダ以下に、次のように空のフォルダを作成します。

  • HTKDemo
    • accs
    • hmms
      • hmm.0
      • hmm.1
      • hmm.2
      • hmm.3
      • tmp
    • proto
    • test

そしてHTKDemoフォルダへ移動し、configsにある.dcfファイルを指定してrunDemo.plを実行します。たとえばmonPlainM1S3.dcfを指定するならば、次のようにします。

C:\samples>cd HTKDemo
C:\samples\HTKDemo>perl runDemo.pl configs\monPlainM1S3.dcf

実行時に「'HInit' は、内部コマンドまたは外部コマンド、操作可能なプログラムまたはバッチ ファイルとして認識されていません。」となるときには、HTKをコンパイルしたフォルダにパスが通っていません。このときはそのフォルダ (標準ではbin.win32) をパスに追加します。

「Must be in directory HTKDemo to run this script」とエラーとなるときには、スクリプトをHTKDemoフォルダで実行していません。または現在のフォルダを正しく取得できていない場合もあるため、runDemo.plのdie "Must be in directory HTKDemo to run this script\n";の記述があるあたりを調べます。

Toolkit


HTK Processing Stages

各ツールのヘルプは、何もオプションを指定せずに呼び出すことで確認できます。

C:\>hslab

USAGE: HSLab [options] waveformFile

 Option                                       Default

 -a      auto-increment global label          off
 -i s    Output transcriptions to MLF s       off
 …

Data Preparation Tools

  • Speech
    • HSLab … 対話方式のラベル編集
      HSLab [options] waveformFile
      Contents of HSLab
    • HCopy … ファイルのコピー、または指定フォーマットによる変換を伴うコピー 
      HCopy [options] src [ + src …] tgt …
      Contents of HCopy
    • HList … サポートされるファイルの内容確認 
      HList [options] file …
      Contents of HList
    • HQuant … コードブックの構築 
      HQuant [options] vqFile trainFiles…
      Contents of HQuant
  • Transcriptions
    • HLEd … スクリプトによるラベルの編集 
      HLEd [options] edCmdFile labFiles…
      Contents of HLEd
    • HLStats … ラベルを読み込み、認識用の言語モデルを作成 
      HLStats [options] hmmList labFile…
      Contents of HLStats
    • HDMan … 1つ以上の辞書から発音辞書を作成 
      HDMan [options] newDict srcDict1 srcDict2 …
      Contents of HDMan
Contents of Data Preparation Tools

HDMan

コマンド 作用
AS A B … Append silence models A, B, etc to each pronunciation.
CR X A Y B Replace phone Y in the context of A_B by X. Contexts may include an asterix * to denote any phone or a defined context set defined using the DC command.
DC X A B … Define the set A, B, …as the context X.
DD X A B … Delete the definition for word X starting with phones A, B, ….
DP A B C … Delete any occurrences of phones A or B or C ….
DS src Delete each pronunciation from source src unless it is the only one for the current word.
DW X Y Z … Delete words (& definitions) X, Y, Z, ….
FW X Y Z … Define X, Y, Z, … as function words and change each phone in the definition to a function word specific phone. For example, in word W phone A would become W.A.
IR Set the input mode to raw. In raw mode, words are regarded as arbitrary sequences of printing chars. In the default mode, words are strings as defined in section 4.6.
LC [X] Convert all phones to be left-context dependent. If X is given then the 1st phone a in each word is changed to X-a otherwise it is unchanged.
LP Convert all phones to lowercase.
LW Convert all words to lowercase.
MP X A B … Merge any sequence of phones A B … and rename as X.
RC [X] Convert all phones to be right-context dependent. If X is given then the last phone z in each word is changed to z+X otherwise it is unchanged.
RP X A B … Replace all occurrences of phones A or B …by X.
RS system Remove stress marking. Currently the only stress marking system supported is that used in the dictionaries produced by Carnegie Melon University (system = cmu).
RW X A B … Replace all occurrences of word A or B …by X.
SP X A B … Split phone X into the sequence A B C ….
TC [X [Y] ] Convert phones to triphones. If X is given then the first phone a is converted to X-a+b otherwise it is unchanged. If Y is given then the last phone z is converted to y-z+Y otherwise if X is given then it is changed to y-z+X otherwise it is unchanged.
UP Convert all phones to uppercase.
UW Convert all words to uppercase.
Contents of Function - HDMan

Training Tools

Contents of Training Tools

HHEd

RO 100 "stats"

TR 0

QS  "R_NonBoundary"  { *+* }
QS  "R_Silence"      { *+sil }
QS  "R_Stop"         { *+p,*+pd,*+b,*+t,*+td,*+d,*+dd,*+k,*+kd,*+g }
…

TR 2

TB 350 "ST_ae_2_" {("ae","*-ae+*","ae+*","*-ae").state[2]}
TB 350 "ST_b_2_"  {("b","*-b+*","b+*","*-b").state[2]}
TB 350 "ST_ah_2_" {("ah","*-ah+*","ah+*","*-ah").state[2]}
…

TR 1

AU "./fulllist"
CO "./tiedlist"

ST "./trees"
tree.hed
  • RO … outlier threshhold
  • 1st "TR" … trace level
  • QS … question - defined by the user
  • 2nd "TR" … enables intermediate level progress reporting
  • TB … clusters one specific set of states - created with the mkclscript.prl command
  • AU … synthesize previously unseen triphones, i.e. use the set of newly created decision trees to make all the triphones included in the list
  • CO … compact the model set: some state definitions will be exactly the same (same means and variances etc.). To save space, only one of these states is kept in the definition, others are added to the tiedlist.
  • ST … save the decision trees in a file

AUで指定されたファイルにある音素の組み合わせが辞書に存在しないと、次のようなエラーにより処理が中断されます。speech recognition - How to solve error in HTK ERROR [+2662] FindProtoModel: no proto for ei in hSet - Stack Overflow

ERROR [+2662]  FindProtoModel: no proto for ** in hSet
FATAL ERROR - Terminating program HHEd
参考

Recognition Tools

Contents of Recognition Tools

Analysis Tool

Contents of Analysis Tool

参考

音響モデルの作成

Juliusでの使用を想定した音響モデルの作成方法が、Create Acoustic Models - voxforge.orgで解説されています。またこの資料で用いられているファイルがVoxForge/develop · GitHubからダウンロードできます。

参考

トラブル対処法

エラー内容 対処法
ERROR [+1452] ReadDictProns: word WORD out of order in dict FILENAME 単語を並び替える
ERROR [+1450] ReadCmd: Invalid Command <・ｿ**> in file FILENAME ファイルのエンコーディングをBOMなしに変換
ERROR [+8050] ReadDict: Phone or outsym expected in word WORD ファイル末尾に改行を追加

参考

参考

チュートリアル

※閲覧にはユーザー登録が必要です ※以下のリンクは、フレームを用いないページで開きます。
  1. The Fundamentals of HTK (HTKの基礎)
    1. General Principles of HMMs
    2. Isolated Word Recognition
    3. Output Probability Specification
    4. Baum-Welch Re-Estimation
    5. Recognition and Viterbi Decoding
    6. Continuous Speech Recognition
    7. Speaker Adaptation
  2. An Overview of the HTK Toolkit (HTKツールキットの概要)
    1. HTK Software Architecture
    2. Generic Properties of a HTK Tool
    3. The Toolkit
  3. A Tutorial Example of Using HTK (HTKの利用例)
    1. Data Preparation Data Preparation - voxforge.org
    2. Creating Monophone HMMs Create Monophone HMMs - voxforge.org
    3. Creating Tied-State Triphones Create Tied-State Triphones - voxforge.org
    4. Recogniser Evaluation
    5. Running the Recogniser Live
    6. Adapting the HMMs
    7. Semi-Tied and HLDA transforms
    8. Summary
Tutorial Overview - Contents of Tutorial Overview

関連ページ

複数の技術系サイトから、まとめて検索