Kaldi 文件打印及其说明

kaldi做文件分析时，需要使用命令调用可执行程序打印文件结构，下面对几种常见的文件做一下说明 

1.words.txt 文件和 phones.txt文件（这是数据准备的prepare_lang.sh脚本生成）里面的格式是openfst格式

对应的是词 和整数的映射

接下来看一下phone文件夹，里面有三种格式 csl   int   txt ，其实内容都是一样的， 从上往下说，

align_lexicon  表示对齐文件，是由lexiconp.txt的第一列第三列提取出来生成

context_indep  里面包含的是那些非正常音素，包含（静音（SIL），口语噪声（SPN），非口语噪声（NSN）和笑声（LAU）

silence  里面包含了静音音素

nonsilence 里面包含了正常音素   可以认为和上面的silence是互斥的，两个文件音素的合集可以认为是整个音素集

sets  包含了一些列的音素集，在聚类音素时被分组，以建立相关的问题集（决策树的决策条件）

extra_question  包含了自动生成以外的问题  

disambig  文件里面包含的是消歧符号 ，这些消歧符号在phones.txt中当作音素使用

word_boundary 里面是音素和词位的关联信息，建立这种对应关系是需要这些信息在音素网络中恢复词的边界

roots  里面包含的是建立音素上下文决策树信息，里面的shared 表示共享根，一般语气和语调会在同一行，认为共享

2.一些scp文件的说明

wav.scp  文件格式  <recording-id >  <extended-filename>    ,  第一个字段可能是发音编号或则是文件名

segment文件，表示的是发音在一段录音中的时间偏移量，格式 <utterance-id> <recording-id> <segment-begin> <segment-end>   ,后面的begin和end是以秒为单位的，这里的recording-id 和上面wav.scp的recording-id 是一样的，就把它看成是一个名称就行了

 

utt2spk文件，这个文件是表示一段语音是哪个人说出来的，格式是 <utterance-id> <speaker-id>  

spk2gender文件，这里面是表示说话人的性别，没啥说的：

feats.scp 文件，指已经提取好的特征文件，特征提取是通过MFCC，每个特征文件都是一个矩阵

cmvn.scp文件，这里保存的是倒谱均值和方差归一化的统计量，和feat不同，这个文件是以说话人编号为索引，不是以发音编号，如图：

3. mdl文件说明 ， 文件里面加载的是topo文件，打开topo文件也能看到

路径：exp/mono/*.mdl  0.mdl(初始化模型) 40.mdl(结果模型)< –GMM模型

查看final.mdl文件：  /kaldi/src/gmmbin/gmm-copy--binary=false exp/mono/final.mdl - | head -n 200   

结果如下图：

首先是一个transitionModel（转换模型），里面包含了TopoLogy（拓扑信息）,对应的ForPhone表示包含的音素，一般是下面

的（如上图的1）表示的是静音，噪音等，上面包含的是所有的音素ID，音素2~48共享相同的拓扑结构，里面有三种发射状态，每

个都有自环和下一个状态，还包括了最后一个不发射状态（state 3没有pdf，没有转移）

先看一下官方的解释：

第一列代表的是单音素的序号，第二列代表的是前面音素的三个状态的其中一个状态，第三列代表的是pdf，也就是概率

分布函数的序号。再来张图：

这里对triples做一下总结：

1. 总共有144个这样的三元组

2. 第三列只有0-143这144个值（有些mdl，第三列的值是比数量值小的 pdf <= 数量）

 

这里面 pdf和state是如何对应的？ 

 

使用命令：/kaldi/src/bin/show-transitionsphones.txt final.mdl

部分输出如图：

再来官网的一段话：

我的理解是 两个状态有着同样的 pdf ，那么它们就会共享同样的概率分布函数

打开ali文件后发现是这样的：

这里面最大数字是288，正是对应上面的transition-id

网上找到的：ali文件里面跟着的数据是每帧对应的transition-id，如上图所示：

zh 相关的 transition-id 是 283-288 ，通过 transition-id 就能找到特征文件 sh 代表的帧数，再来个代码注释图：

可以看到transitionModel可以得到transition-state和transition-id，而解码里面的fst是用transition-id作为输入序列的

接着继续看下final.mdl文件，之后是LogProbs 里面包含了289个数据

这个289（144*2+1=289）是对应音素的（1-48）至于原因还是没找到

到此 transitionModel 结束

可以看到transitionModel之后是GMM相关的数据了

DIMENSION: 39  表示了39维（包含能量是40，能量一维）

GCONSTS 应该是期望

NUMPDFS: 144   对角GMM参数重复144次，每个hmm对应pdf（144个）

WEIGHTS: 权重

MEANS_INVVARS ：39维的均值

INV_VAR: 39维方差

 

*.mdl文件分析完成

FST文件分析地址：  fst文件说明