Kaldi随笔（二）

今天思考的还是昨天那个问题的延续。

现在已经知道了nnet-forward输出的矩阵的每一列对应的是一个pdf，我的最终目的是想要知道每一帧（除了sil）转换成每一个phone的概率是多少。

首先我看到了Kaldi的kaldi-trunk\egs\wsj\s5\steps\nnet下有一个align.sh的脚本。

然后我找到了之前跑TIMIT实验的时候这个脚本处理后得到的ali文件，解压之后查看了一下文件内容（大概形式）：

FAEM0_SI1392 2 1 4 3 3 3 3 3 3 6 5 472 471 471 471 471...... 3281 3281 3336 3335 3335 3335 2 4 3 3 3 3 3 3 6 
FAEM0_SI2022 2 1 4 3 3 3 3 3 3 3 6 5 5 5 5 5 5 5 5 2...... 406 405 405 405 405 405 2 1 1 1 1 4 3 3 3 3 6 5

每一个句子对应了一行数据，这一行的数据元素的个数是474个。

然后我又找到了当时的训练数据的特征文件，用nnet-forward跑了一遍得到矩阵文件。

矩阵文件的中一个句子的对应的矩阵的行数也是474。

与此同时，还有一个发现是ali文件里面最大的数字是4090。

4090是什么？

这就要用到上一篇博文里面提到了show-transitions工具了，当时处理模型得到的展示如下：

Transition-state 1: phone = sil hmm-state = 0 pdf = 0
 Transition-id = 1 p = 0.728349 [self-loop]
 Transition-id = 2 p = 0.27165 [0 -> 1]
Transition-state 2: phone = sil hmm-state = 1 pdf = 56
 Transition-id = 3 p = 0.809842 [self-loop]
 Transition-id = 4 p = 0.190158 [1 -> 2]
...
Transition-state 2044: phone = zh hmm-state = 2 pdf = 616
 Transition-id = 4087 p = 0.779468 [self-loop]
 Transition-id = 4088 p = 0.220532 [2 -> 3]
Transition-state 2045: phone = zh hmm-state = 2 pdf = 1949
 Transition-id = 4089 p = 0.767606 [self-loop]
 Transition-id = 4090 p = 0.232394 [2 -> 3]

可以看到，4090是最大的Transition-id。

那么现在就可以知道了，ali文件里面每一个句子后面跟着的那一行数据代表的是每一帧对应的Transition-id。

从上面那个展示中可以得知，和sil相关的Transition-id是1到6。

那么，ali文件中的那一行数据的首尾所有值为1-6的列都对应的是sil。

因而我们就可以知道我们正在处理的这个特征文件中首尾sil所占的帧数。

这个问题解决了之后，还有接下来的问题，怎么知道去除首尾代表sil的帧之后，剩下的中间段的帧，每一帧对应每一个phone的概率？

注意，这里我想要得到的是每一帧对应每一个phone的概率，因此并不是只需要概率最大的那个phone，这个已经可以有Transition-id来得到。

留待解决。