kaldi源码分析(一)--kaldi脚本

数据准备

发音词典 L.fst

将之前的词典转换为L.fst 以及 topo文件

utils/prepare_lang.sh --position-dependent-phones false lang/dict “<UNK>” lang/local lang/lang

---

提取特征

脚本	使用
steps/make_mfcc.sh	根据wav.scp提取特征
steps/compute_cmvn_stats.sh	根据feats.scp计算cmn

声学模型训练

脚本	作用
steps/train_mono.sh	单音素训练 ，一共进行40次迭代，每两次迭代进行一次对齐操作
steps/train_deltas.sh	以单音素模型为输入训练上下文相关的三音素模型
steps/train_lda_mllt.sh	用来进行线性判别分析和最大似然线性转换
steps/train_sat.sh	用来训练发音人自适应，基于特征空间最大似然线性回归
steps/nnets	nnet3神经网络

脚本	作用
utils/format_lm.sh	上述的语言工具基于第三方工具，为ARPA-format,脚本的作业是将其转换为fst，方便与之前的字典fst(L.fst)结合，发挥fst的优势。 脚本最后会检测G.fst中是否存在没有单词的空回环，如果存在会报错，因为这会导致后续HLG determinization的出现错误。脚本utils/format_lm.sh解决把ARPA格式的语言模型转换成OpenFST格式类型。
utils/fix_data_dir.sh	该脚本会修复排序错误，并会移除那些被指明需要特征数据或标注，但是却找不到被需要的数据的那些发音

语言模型训练

解码

解码的过程需要对模型进行构图，也就是生成HCLG的过程，模型的构图是按照G L C H 的构图方式进行的，其中

G.fst 表示语言模型

FSA grammar，通过n-gram语言模型得到，将字对应词组

L_disambig.fst The Phonetic Dictionary with Disambiguation Symbols FST

构成一个FST，将发音单元转化为字

C.fst: The Context FST

把triphone 转化成monophone,即在第2步骤中扩展了context，即扩展为triphone,最终输出是CLG.fst

H.fst: The HMM FST

把HMM的state映射到triphone ,即把pdf-id映射到triphone,也就是扩展了HMM,即输入时pdf-id，输出是发音单元