/speech-aligner

speech-aligner，是一个从“人声语音”及其“语言文本”，产生音素级别时间对齐标注的工具。speech-aligner, is a tool that generate phoneme-level alignment between human speech and its transcription

Primary LanguageC++OtherNOASSERTION

speech-aligner

Chinese readme：

speech-aligner，是一个从“人声语音”及其“语言文本”，产生音素级别时间对齐标注的工具。

示例

# 调用 bin，输入语音列表和文本、输出对齐结果
./bin/speech-aligner --config=egs/cn_phn/conf/align.conf egs/cn_phn/data/wav.scp egs/cn_phn/data/text egs/cn_phn/data/out.ali
# 查看输出对齐结果，包含: 文件名，音素时间起点(秒) 音素时间终点(秒) 音素
cat egs/cn_phn/data/text egs/cn_phn/data/out.ali
BAC009S0002W0123
0.000 0.025 y
0.025 0.460 e_3
0.460 0.850 sil
0.850 0.985 ch
0.985 1.095 eng_2
...
2.655 2.735 zh
2.735 2.900 ong_1
2.900 2.960 d
2.960 3.665 ing_1
3.665 3.845 sil
.

编译

  • 预先准备：

    • cmake >= 3.0
    • 有如下blas接口数学库之一：
      • atlas
        • ubuntu安装: sudo apt-get install libatlas3-base
      • mkl
        • 建议在conda安装的python虚拟环境中：conda install mkl
      • OSX系统（Darwin）自带Accelerate framework，可调过这项
      • …其他数学库，可查看cmake/Modules/FindBLAS.cmake，了解支持的数学库
    • 如果使用g++编译，则g++ >= 5.0（std::wstring_convert需要）

  • cmake编译

    git clone .../speech-aligner.git
cd speech-aligner
mkdir build && cd build
cmake ..
make -j

  • 编译结果

    • bin/speech-aligner: 二进制可执行文件，
      • 配置：支持通过配置文件和命令行读取参数，建议使用如--config=egs/cn_phn/conf/align.conf
      • 输入：音频列表、对应的文本列表（见egs/cn_phn/data）
      • 输出：音素时间对齐标注

应用场景和示例

  • 研究：
    • 为TTS产生音素时间标注的训练数据
      • egs/cn_phn
  • 工程：
    • 歌词对齐
      • egs/cn_lyric [todo]
    • 字幕对齐
      • egs/cn_subtitle [todo]
  • for fun:
    • 鬼畜
      • egs/cn_gc [todo]

关于

  • 该工程基于著名语音开源项目kaldi，copyright遵循原项目。
  • 示例egs/cn_phn中，使用的音素列表，来自另一个中文词典开源项目DaCiDian。

English readme：

speech-aligner, is a tool that generate phoneme-level alignment between human speech and its transcription

Usage example

# call the bin，with speech and transcript as inputs
./bin/speech-aligner --config=egs/cn_phn/conf/align.conf egs/cn_phn/data/wav.scp egs/cn_phn/data/text egs/cn_phn/data/out.ali
# check the output alignment, include: filename, phoneme and its start/end time
cat egs/cn_phn/data/text egs/cn_phn/data/out.ali
BAC009S0002W0123
0.000 0.025 y
0.025 0.460 e_3
0.460 0.850 sil
0.850 0.985 ch
0.985 1.095 eng_2
...
2.655 2.735 zh
2.735 2.900 ong_1
2.900 2.960 d
2.960 3.665 ing_1
3.665 3.845 sil
.

Compile

  • requirements

    • cmake >= 3.0
    • one of blas math lib:
      • atlas
        • ubuntu: sudo apt-get install libatlas3-base
      • mkl
        • If in conda, to install mkl: conda install mkl
      • Accelerate framework(Darwin)
      • ...

  • cmake

    git clone .../speech-aligner.git
cd speech-aligner
mkdir build && cd build
cmake ..
make -j

  • results

    • bin/speech-aligner: a binary executable file, with arguments:
      • configuration: through config file (recommendation, e.g.: --config=egs/cn_phn/conf/align.conf) or command line
      • inputs: the wav list and the correspoing transcription list (e.g. egs/cn_phn/data )
      • output: the result alignment

Applications

  • for research:
    • generate training data for TTS
      • egs/cn_phn: generate chinese phoneme alignment
  • for engineering:
    • align lyric
      • egs/cn_lyric [todo]
    • align subtitle
      • egs/cn_subtitle[todo]
  • for fun:
    • きちく
      • egs/cn_gc [todo]

About

  • This project is based on a great speech open-source project kaldi.
  • The phonemes used in the environment: egs/cn_phn, come from a chinese dictionary open-source project DaCiDian.