3.4 KiB
THCHS-30 数据集强制对齐实验
本实验对 THCHS-30 中文数据集用 Montreal-Forced-Aligner 进行强制对齐。 THCHS-30 的文本标注数据分为:
- 汉字级别(word),该数据集用空格对词进行了划分,我们在使用时按照将不同字之间按空格划分
- 音节级别(syllable),即汉语中的一个拼音
- 音素级别(phone),一个拼音有多个音素组成,汉语的声母韵母可以理解为音素,不同的数据集有各自的音素标准,THCHS-30 数据集与标贝 BZNSYP 数据集的音素标准略有不同
数据 A11_0 文本示例如下:
绿 是 阳春 烟 景 大块 文章 的 底色 四月 的 林 峦 更是 绿 得 鲜活 秀媚 诗意 盎然↩
lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de5 di3 se4 si4 yue4 de5 lin2 luan2 geng4 shi4 lv4 de5 xian1 huo2 xiu4 mei4 shi1 yi4 ang4 ran2↩
l v4 sh ix4 ii iang2 ch un1 ii ian1 j ing3 d a4 k uai4 uu un2 zh ang1 d e5 d i3 s e4 s iy4 vv ve4 d e5 l in2 l uan2 g eng4 sh ix4 l v4 d e5 x ian1 h uo2 x iu4 m ei4 sh ix1 ii i4 aa ang4 r an2
开始实验
在本项目的 根目录/tools 执行
make
下载 MFA 的可执行包(也会同时下载本项目所需的其他工具) 执行如下命令:
cd a0
./run.sh
应用程序会自动下载 THCHS-30数据集,处理成 MFA 所需的文件格式并开始训练,您可以修改 run.sh
中的参数 LEXICON_NAME
来决定您需要强制对齐的级别(word、syllable 和 phone)
MFA 所使用的字典
MFA 字典的格式请参考: MFA 官方文档
phone.lexicon 直接使用的是 THCHS-30/data_thchs30/lm_phone/lexicon.txt
word.lexicon 考虑到了中文的多音字,使用带概率的字典, 生成规则请参考 local/gen_word2phone.py
syllable.lexicon
获取自 DNSun/thchs30-pinyin2tone
对齐结果
我们提供了三种级别 MFA 训练好的对齐结果、模型和字典(syllable.lexicon
在 data/dict
中,phone.lexicon
和 word.lexicon
运行数据预处理代码后会自动从原始数据集复制或生成)
phone 级别: phone.lexicon、 对齐结果、模型 syllabel 级别: syllable.lexicon、对齐结果、模型 word 级别: word.lexicon、对齐结果、模型
随后,您可以参考 MFA 官方文档 使用我们给您提供好的模型直接对自己的数据集进行强制对齐,注意,您需要使用和模型对应的 lexicon 文件,当文本是汉字时,您需要用空格把不同的汉字(而不是词语)分开