Aurora2 语音数据库的建立

        Aurora2 语音数据库 经常在学术上被用来作为评测数据库，很多语音识别的base数据库，HTK的训练模型数据库，VAD，基频检测都用Aurora2语音数据库。

       Aurora2语音数据库的具体情况可以参考 http://aurora.hsnr.de/aurora-2.html,大致含义是 这个数据库是由 TIDigits 数据库 变换过来的，说白了就是 降采样之后 加了不同的信噪比的噪声。

       Aurora2数据库是8k的（其实8k早先年在电话语音通讯标准中用的比较多），TIDigits 数据库是20k的（为啥是20k这么奇怪的数据库我也不清楚），TIDigits 是包含成人和儿童的语音库，只说数字（英文的，不是壹贰叁是one two three），Aurora2用的是TIDigits 的成人部分。

       Aurora2的创建过程，就是通过工具（这个工具网站提供了叫 FaNT）http://aurora.hsnr.de/download.html

这是一个滤波+增加指定信噪比的工具，原则上使用这个工具就可以造出这个含噪语音库。我刚好有TIDigits （别问我为啥有）另外我也发现了不少有用的结果，可以获得含噪语音库的list，那么基本素材如果全了的话，我就可以自己造这个数据库了。

       1、工具

          网站提供了 http://dnt.kr.hsnr.de/aurora/download/fant.tar.gz需要自己编译，这是GNU的C，用vc稍微改下就没什么问题，这个工具我觉得牛叉的地方就是在于能加指定的信噪比，而且信号能量判定方法是遵循 ITU p.56 怎么计算signal level，感兴趣的同学可以自己下来看看，提供两种方法 来计算 信号level

     Active speech level shall be measured and reported in decibels relative to a stated reference according to the methods described below, namely:
–  Method A – Measuring a quantity called speech volume, used for the purpose of real-time control of speech level (see clause 4);
–  Method B – Measuring a quantity called active speech level, used for other purposes (see clause 5).

        2、文件list

TIDigits  这里面的东西可多了，Aurora2  只选择其中的部分，另外它分成几个部分：

训练集1，clean data,干净的 8440个，降采样至8k，完了之后用G712 滤波器之后不加任何噪声，55个男人和55个女人。

训练集2，multi-condition 复合条件的含噪的,8440个数据 分成20组，422 * 20(subset) = 8440,   52个男人和52个女人，对于一个子集，每个人的话都要出现过。

测试集 4004个集上的不同变体，他分成三种测试集

testA 要用 G712 滤波器,四种噪声，   (subway)train(N1)/babble(N2)/car(N3)/exhibition hall(N4) 4004*7 = 28028 个数据
testB 要用 G712 滤波器，另外四种噪声 restaurant(N5)/street(N6)/airport(N7)/train station(N8)，   同上   28028 个数据
testC 要用 MRIS滤波器,只有2种噪声 subway, street

你肯定要问G712和MRIS有什么区别，MIRS ，他们简单的说是滤波器，用来模拟通讯信道中的acoustics 传输路径，具体如下：

上面的test集中就是为了覆盖不同的声道特性（G712和MIRS）不同的噪声（两拨噪声N1~N4，N5~N6,我check过，testA和testB的基础list没什么差别，差别就是噪声不同，而且都用G712）不同的信噪比（clean，SNR-5，SNR0，SNR5，SNR10，SNR15，SNR20）

扯远了，现在说到list，我们从 vad检测的一些结果：http://kom.aau.dk/~zt/online/rVAD/

这是一个vad算法，但它提供了 Reference VAD for Aurora 2 database 的测试结果，我们下来之后，train中的clean的list就有了，8440个数据，齐刷儿滴啊~

稍微解释一下，这里面文件的首字母，M和F就是指 男，女，ST是某个人名的缩写，具体是什么就不清楚了，TIDigits 都是这样的缩写，而且只用两个字母

同样，测试集中的testA testB， testC的list我们也有了

我们从这个网站中找到 Aurora2作为pitch验证算法的数据库的测试结果

https://www.microsoft.com/en-us/download/details.aspx?id=52498

注意，没有找到 multi-condition条件下的训练集（就是clean和含噪声的都有，用来做训练的），我估计用这个做实验的比较少，再说四个中能找到三个已经不错了，呵呵，你还要啥自行车？

    3、得到噪声样本和对应关系

噪声样本可以从下面获得：https://www.ee.columbia.edu/~dpwe/sounds/

噪声样本都是8k的

Aurora2书库中的名字都是N1，N2命名的，这里面N1~N8有个对应关系，我们从一些论文上可以获得：

A Novel Framework for Noise Robust ASR using Cochlear Implant-like Spectrally Reduced Speech

实际上就是上面的顺序

总结：

      1、制作的数据库只能说是“伪“或者“准“，并不是原本的Aurora2的数据库，理由有2，一个是降采样，我这里用的是sox的降采样，原始的Aurora2的制作过程用的什么降采样？那就不得而知了，我只能说我听过sox的将采样结果，效果还可以

注意：sox也有高端采样率，不care时间功耗话也可以用的

http://sox.sourceforge.net/SoX/Resampling

http://src.infinitewave.ca/

   2、加噪声的位置是随机的，噪声足够长，但是加噪工具是随机选择reference噪声位置给加上的，说白了，你两次给加的噪声情况还不一样！

  3、不过制作过程是严格follow 他的文档，嗯，等哪一天有了真正的数据库，可以做一些comparison