在kaldi說話人識別示例（egs/sre10,egs/sre16）中，資料總共有兩大類，一是訓練集（training），二是評估資料集（evaluation）。對於評估資料集又分為兩類，一是用來註冊（enrollment）的資料集，二是測試（test）集。

一、訓練集的準備

訓練集需要準備的文字檔案是三類：spk2utt, utt2spk以及wav.scp

1 spk2utt 是說話人id（記作spkid）和說話人語音名稱（uttid）的對應關係，通常來講，一個說話人會有很多條語音，檔案中的格式為，spkid uttid1 uttid2...，每一行有且只有一個說話人id。如下圖所示

需要注意的是，每一行的uttid順序需要按照sort命令的排序模式來排，以及spkid也需要按照排序命令sort的模式來排。否則kaldi指令碼在進行validate_data_dir.sh的時候報錯。

2 utt2spk 是單個語音名稱uttid和說話人的對應，很明顯每行都是一一對應關係。如下圖

utt2spk也可以由kaldi自帶指令碼和spk2utt生成，也可以由自己寫指令碼完成

3 wav.scp 是語音名稱uttid和其完整路徑的對應，也是每行一個音訊。但是根據資料集中音訊檔案格式的不同，需要新增一些轉換格式的命令。

如果原始音訊檔案格式為wav，則只需要寫uttid path，如下：

如果格式為sph或者flac，則需要加入格式轉換的命令列，如下：

注：如果需要訓練性別有關的模型，還需要加入spk2gender的文字檔案

對於說話人識別的評估，我們首先需要註冊一批說話人，既然是註冊說話人的聲紋，則每個說話人需要至少有一條語音用來註冊。對於測試集，則還需要一個已註冊說話人和某個語音的id以及標籤label（表明是否是同一個人）

二、註冊集

註冊集和訓練集一樣，由：spk2utt，utt2spk，wav.scp 組成。文字檔案內容的模式也和訓練集保持一致，這裡不再贅述。

三、測試集

測試集是由：spk2utt，utt2spk，wav.scp 以及trials 這四種檔案組成。

1 在這裡spk2utt 還有 utt2spk內容是一模一樣的，都是uttid uttid，如下圖：

2 wav.scp 的內容模式和訓練集是一致的，它包含了所有的測試音訊

3 trials檔案格式： spkid uttid label，如下

以上就是kaldi說話人識別資料集的準備格式，自己手動寫指令碼準備的時候，會遇到的問題，一是排序問題，主要會出現在spk2utt以及utt2spk檔案中，因此在生成這些檔案的時候就需要注意一定的順序性，也要根據實際情況改變uttid的名字，以便於通過validate-data-dir指令碼的檢測；二是轉格式的問題，目前遇到的sph和flac就需要不同的工具去轉格式（sph2pipe和sox）。