宾夕法尼亚大学语音标签强制对齐(Penn Phonetics Lab Forced Aligner , P2FA) 是基于 HTK 的自动语音标注工具包。它包括美式英语的声学模型，用来强制对齐的 python 文件以及 readme 文件和一些例子。同样，在 P2FA 的网站上，还有一个在线处理系统，提交一个 wav 文件和一个转录文件，之后将会以邮件方式收到一个标注好的 praat TextGrid 文件。
包含在工具包中的声学模型是基于 GMM 的单音节 HMM 模型。每个 HMM 状态使用 32 个kwdyd混合在 39 个 PLP 系数上。声学模型以 8KHz, 11,025Hz 以及 16Hz 分开。每一个声学模型包含了一个在词与词之间的可选插入的短暂停顿HMM(“sp”)，这大大增加了标注的准确度。
2. 工具介绍./models/: 声学模型、参数文件以及 CMU 发音字典
./align.py: 一个 python 脚本，用来自动执行强制对齐，从 wav 文件和对应的
转录文件产生一个 Praat TextGrid 文件
./test/:用来测试工具的文件
./examples/:例子文件
需要将 version 3.4 的 HTK 工具包事先装好来做强制对齐。 HTK 工具包可以
在 http://htk.eng.cam.ac.uk/找到。 python 脚本只支持 version 3.4。最新的版本
3.4.1 在对齐“ sp” 模型的时候有问题。
为了使用 align.py 脚本，需要有 Python2.5/2.6（早些时候/更高版本还没有
经过测试）。
1） 运行”python align.py wavfile trsfile output_file”。如果你没有从工具包的文件夹中运行 align.py，你将需要指定路径。
Wavfile 是包含了需要对齐的语音。如果它不是按照指定的三种模型的采样的话，它将被按照 11,025Hz 重采样。这样的采样率是推荐的。
Trsfile 是一个包含转录的文本文件。 空格或者换行符用来分隔单词。如果一个词在 CMU 的发音字典中没有找到，将会报错， 但是你能够编辑文件 model/dic 并且添加需要的新发音。你将在转录中包含以下标签’{SL}’ 安静, ‘{LG}’ 笑声, ‘{NS}’ 噪音, ‘{CG}’ 咳嗽, ‘{BR}’ 呼吸, 和’{LS}’唇声.
Output_file 是 praat TextGrid 输出文件，包含强制对齐后的结果。
工具包包含例子用来测试。你可以对齐测试文件
Python align.py ./test/BREY00538.wav ./test/BREY00538.txt./test/BREY00538.TextGrid
Output file 在词与词之间将包括‘sp’间隔，这里表示一个停顿。
2） 如果你有多于一个文件需要对齐，你讲写一个 shell脚本来使得 align.py脚本来循环。你也可以按照下面的说明。
3） 一些命令行选项也将被包括。他们必须先于 wav 文件的规范，它们是：
-r sampling_rate 覆盖使用的采样率模型， 8000， 11025， 16000。默认的 wav 文件的采样率是三个中之一，否则是 11025
-s start_time
Wav 文件的开始部分到对齐（以秒为单位，默认为 0）
-e end_time
Wav 文件的结束部分到对齐（以秒为单位，默认情况下将结束）
1） 请参考./example/文件夹下文件的正确格式
2） 请按照如下的描述准备语音文件和转录文件。你可以为很长的语音文件做标注（例如一个小时），同时你也可以一步标注许多文件。
3） 创建参考的转录文件， transcript.mlf transcript.mlf 是 HTK 的“主标签文件”包含所有文件的标注。 下面是生成文件的步骤：
I. 单词的所有字母要大写。如果一个字在 CMU 发音字典里面没有出现，你既可以手动添加也可以从强制对齐当中把它排除掉，主要去决定于你的目的。 如果transcript.mlf 中有未知的词，标注将失败。
II. 你将把如下的标签包含在 transcript.mlf 中： ‘{SL}’ 安静, ‘{LG}’ 笑声, ‘{NS}’ 噪音, ‘{CG}’ 咳嗽, ‘{BR}’ 呼吸, and ‘{LS}’唇声.
III. 你可能想要每两个词之间插入一个‘ sp’。‘ sp’代表小小的停顿。 它从强制对齐中可以有零个长度（没有停顿）。
4） 创建 code.scp 和 test.scp。它们所包含的文件的名称分别是编码和对齐。
5） 提取声学特征
HCopy -T 1 -C ./models/your-sampling-rate/config -S code.scp
配置文件包含用于语音文件（ .wav .raw, 采样率等等）以及声学特征（mfcc,plp 等等）。如果您的语音文件有不同的采样率比 8000 赫兹，11,025 赫兹，或 16,000 赫兹，可以降低采样率或转换至 11,025 赫兹（迄今为止具有最好的性能）。在我们的训练程序中， 我们将 44100Hz 的目标采样率使用‘ sox –polyphase’ 来降低采样。
6） 强制对齐
HVite -T 1 -a -m -I transcript.mlf -H ./model/your-sampling-rate/macros -H ./model/your-sampling-rate/hmmdefs -S test.scp -i ./align.mlf -p 0.0 -s 5.0 ./model/dict ./model/monophones
align.mlf 是强制对齐的结果。你可以将其转换为标签文件，如， Praat TextGrids。 请注意：
a) 在 align.mlf 里面的时间单位是 100 纳秒（ 0.00000001 秒） ;
b) 有一个四舍五入的问题，当采样速率 11,025 Hz 和时间步长为 10 毫秒，所以需要更正 align.mlf 中的时间标记。你可以使用下面的公式来转换时间标记 x 到秒：
y = (x/10000000 + 0.0125)*(11000/11025).
二、具体使用英文、中文标注：
Englishalign/Chinaalign:
主要使用命令： python align2.py xxx.wav xxx.txt xxx.TextGrid
其中： xxx.wav 中是所要转录的音频文件
xxx.txt 是 wav 中所对应的文本文件
xxx.TextGrid 是转换之后的 praat 文件
中文标注情况：
英文标注情况：
经过实验，感觉这个标注软件对于纯净条件下的语音标注效果很好，精确度也很高。但是，抗噪声能力不是很强。同时，标注后的文件为三层内容，格式为 praat TextGrid 文件格式，如果用到 HTK 还需要转换成 lab 文件的格式来使用。