企业官网建设流程全解析

• 人工智能
• 语音
• 音频
• 深度学习
• NLP

本文围绕 egs2/mini_librispeech/diar1/NOTE.md 展开，说明一个容易被忽略的部署事实：ESPnet 的egs2示例目录本应在无 Kaldi 的环境下运行，但说话人日志（Speaker Diarization）示例mini_librispeech/diar1因数据处理脚本的限制，仍强制依赖 Kaldi 工具集中的wav-to-duration程序。读完本文，你将理解该依赖产生的具体原因、它在数据流水线中的调用位置与回退逻辑，以及如何正确配置 Kaldi 路径以避免运行中断。

背景：egs2 目录与 Kaldi 的“一般约定”

ESPnet 官方安装文档对egs（experiment/grid 的简称）目录有明确分工：egs是面向 Kaldi 兼容工作流的旧版示例集合，而egs2是新一代、不依赖 Kaldi 的示例集合。也就是说，按照一般约定，egs2下的食谱（recipe）只需要 ESPnet 自身的 Python 环境（由tools/下脚本激活）即可运行，无需安装完整 Kaldi 工具链。

mini_librispeech/diar1却打破了这一约定。正如 NOTE.md 所述，该示例位于egs2目录中、本不应要求安装 Kaldi，但“由于与数据处理相关的脚本的限制”（due to the limitation of a script related to data processing），它仍然需要一个名为wav-to-duration的 Kaldi 程序，因此必须按照安装指引正确设置 Kaldi 的路径。

依赖的根源：get_reco2dur.sh与get_utt2dur.sh的持续时长计算

wav-to-duration并非被示例的业务代码直接调用，而是藏在其引入的 Kaldi 数据工具脚本中。本示例在生成模拟混合语音数据后，需要为每个录音（recording）计算时长并生成reco2dur文件，这一步由以下两个脚本承担：

• egs2/mini_librispeech/diar1/utils/data/get_reco2dur.sh
• egs2/mini_librispeech/diar1/utils/data/get_utt2dur.sh

以get_reco2dur.sh为例，其工作流程是（脚本第 56–124 行）：

1. 优先尝试从wav.scp指向的 SPHERE 格式文件头（sample_rate -i、sample_count -i）解析时长，无需读取整个音频文件；
2. 若wav.scp不是 sph2pipe + sphere 文件的标准格式（例如指向普通 WAV 文件），Perl 解析会失败，脚本打印 “could not get recording lengths from sphere-file headers, using wav-to-duration”；
3. 回退路径检查wav-to-duration是否在PATH中，若不存在则直接报错退出：

   if ! command -v wav-to-duration >/dev/null; then echo "$0: wav-to-duration is not on your path" exit 1; fi

4. 将wav.scp按并行度nj（默认 4）切分后，通过队列命令逐 JOB 调用：

   wav-to-duration --read-entire-file=$read_entire_file \ scp:$temp_data_dir/JOB/wav.scp ark,t:$temp_data_dir/JOB/reco2dur

   --read-entire-file默认为false，但当wav.scp中包含sox ... speed加速扰动命令时会被置为true，此时必须读完整文件以修正时长，脚本会提示这会明显变慢。

get_utt2dur.sh的机制与之一致（脚本第 78–101 行），用于在segments缺失时从wav.scp推导每个 utterance 的时长。

调用链：从data.sh的混合语音模拟到reco2dur

在mini_librispeech/diar1中，触发该依赖的具体调用链如下：

• egs2/mini_librispeech/diar1/run.sh 是顶层入口，它把train_set、valid_set、test_sets全部指向模拟数据目录（如simu/data/train_clean_5_ns2_beta2_500），并调用 diar.sh 执行完整流水线；
• 数据准备阶段由 egs2/mini_librispeech/diar1/local/data.sh 完成：先下载并切分 Mini-LibriSpeech（dev-clean-2、train-clean-5）、噪声（musan）与模拟 RIR（sim_rir_8k.zip），再调用local/simulation/下的random_mixture.py/make_mixture.py等脚本生成两说话人混合语音；
• 混合数据就绪后，data.sh 第 124–128 行 依次执行utils/combine_data.sh合并分片数据、用steps/segmentation/convert_utt2spk_and_segments_to_rttm.py生成 RTTM 标注，并调用utils/data/get_reco2dur.sh计算录音时长；
• 此处的wav.scp指向的是刚生成的普通 WAV 文件（8 kHz 采样率），并非 SPHERE 格式，因此get_reco2dur.sh必然走入第 3–4 步的wav-to-duration回退路径——这正是 NOTE.md 所警告的 Kaldi 依赖被触发的实际位置。

可以推断：get_reco2dur.sh/get_utt2dur.sh是从 Kaldi 工具集直接复制的通用脚本（脚本头部版权标注 Johns Hopkins University 的 Daniel Povey 等人，Apache 2.0 许可），它们保留了基于 SPHERE 头的快速路径与基于wav-to-duration的通用回退路径，因而把 Kaldi 依赖“带进”了本应无 Kaldi 的egs2示例。

正确配置 Kaldi 路径

NOTE.md 给出的核心行动建议是：务必按照 ESPnet 安装指引正确设置 Kaldi 的路径。结合仓库现状，具体落地方式如下：

1. 安装 Kaldi 并确保wav-to-duration可执行：在 ESPnet 的tools/目录完成 Kaldi 安装后，wav-to-duration会被编译到 Kaldi 的src/featbin（或src/bin）下；
2. 让示例的PATH包含 Kaldi 的featbin目录：egs2/mini_librispeech/diar1/path.sh 会把$PWD/utils/加入PATH，并通过tools/extra_path.sh引入 ESPnet 自身工具；当检测到tools/activate_python.sh时还会激活 Python 环境。Kaldi 的二进制目录通常由安装脚本或环境变量（如KALDI_ROOT）间接加入PATH，运行前可用以下命令自检：

   command -v wav-to-duration # 有输出则路径配置正确

3. 验证数据流水线：重新运行local/data.sh --stage 1（或完整的run.sh），若wav-to-duration不在PATH中，get_reco2dur.sh会在日志中打印wav-to-duration is not on your path并以非零状态退出；配置正确后，会在simu/data/<simuid>/下生成与wav.scp行数一致的reco2dur文件（脚本末尾还会对两者行数做一致性检查，见 get_reco2dur.sh 第 131–139 行）。

延伸：该示例的数据规模与模型配置

除 Kaldi 依赖外，mini_librispeech/diar1还自带完整的模拟数据参数与训练/解码配置，可一并了解：

• 模拟配置（local/data.sh 第 15–20 行）：simu_opts_overlap=yes（说话人重叠）、simu_opts_num_speaker=2（双说话人）、simu_opts_sil_scale=2、simu_opts_rvb_prob=0.5（混响概率）、simu_opts_num_train=500（每集合 500 条混合语音）；
• 训练/解码配置：conf/train_diar.yaml 对应 SA-EEND 模型（已知说话人数），conf/train_diar_eda.yaml 对应 EEND-EDA 模型（无需说话人数先验，但仍将训练与测试说话人数限制为 2），两者共用 conf/decode_diar.yaml 解码配置；
• 结果复现：egs2/mini_librispeech/diar1/README.md 记录了dev_clean_2_ns2_beta2_500上的 DER 结果表，其中 SA-EEND 在threshold 0.5 / median 11 / collar 0.0下 DER 为 29.37%，EEND-EDA 同参数下为 32.50%——可作为运行后自检的参考基准（注意其为 2021 年记录的初步实验数据）。

小结

mini_librispeech/diar1/NOTE.md用极简的篇幅指出了一个关键的环境前提：即便在egs2目录下，说话人日志示例仍因get_reco2dur.sh/get_utt2dur.sh的通用回退逻辑而依赖 Kaldi 的wav-to-duration。只要在运行前确保wav-to-duration已安装且位于PATH中，整个模拟数据生成、RTTM 标注与 EEND 系列模型训练/解码流程即可正常推进。这一案例也提醒所有使用egs2示例的开发者：个别食谱可能保留 Kaldi 遗留依赖，动手前先阅读该示例的NOTE.md与数据处理脚本，能省去大量排错时间。

• 人工智能
• 语音
• 音频
• 深度学习
• NLP