Dan povey 主頁，有kaldi的詳細入門文檔，以及相關的論文
kaldi官網
kaldi—github
系統搭建過程及生成文件解釋：
http://blog.sina.com.cn/s/blog_444061c70101hx7l.html
單音素訓練：
https://blog.csdn.net/u010731824/article/details/69668765
https://blog.csdn.net/baidu_36137891/article/details/77849041
https://blog.csdn.net/fengzhou_/article/details/77996244
三音素訓練：
https://blog.csdn.net/u010731824/article/details/70161677
決策樹狀態綁定:
https://blog.csdn.net/u010731824/article/details/69668647
一些查看輸出文件命令（配置好PATH後，在s5demo下運行）：
查看MFCC特徵參數，對應文本id：
copy-feats ark:mfcc/raw_mfcc_train.1.ark ark,t:- | head
查看CMVN，對應說話人id：
copy-matrix ark:exp/mono/cmvn.ark ark,t:-
查看決策樹：
copy-tree --binary=false exp/mono/tree - | less
畫出決策樹：
draw-tree data/lang/phones.txt exp/mono/tree | dot -Tps -Gsize=8,10.5 | ps2pdf - ~/tree.pdf
查看訓練圖：
fstcopy 'ark:gunzip -c exp/mono/graphs.fsts.gz|' ark,t:-
構造訓練的fst網絡，從源碼級別分析，是每個句子構造一個phone level 的fst網絡。這裏採用預編譯的原因是，可以儘量減少佔用訓練時間。$data/text 中包含對每個句子的單詞級別(words level)或音素級別(phone level)的標註，L.fst是詞典的fst表示，作用是將一串的音素轉換成單詞。構造monophone解碼圖就是先將text中的每個句子，生成一個fst（類似於語言模型中的G.fst，只是相對比較簡單，只有一個句子），然後和L.fst進行composition 形成訓練用的音素級別（phone level）fst網絡（類似於LG.fst）。fsts.JOB.gz 中使用key-value 的方式保存每個句子和其對應的fst網絡，通過 key(句子索引)就能找到這個句子的fst網絡，value中保存的是句子中每兩個音素之間互聯的邊（Arc）,例如句子轉換成音素後，標註爲：“a b c d e f”,那麼value中保存的其實是 a->b b->c c->d d->e e->f這些連接（kaldi會爲每種連接賦予一個唯一的id），後面進行 HMM訓練的時候是根據這些連接的id進行計數，進一步得到音素內（intra）狀態的轉移概率和音素間（inter）狀態的轉移概率。
查看音素與狀態的對齊：
show-alignments data/lang/phones.txt exp/mono/40.mdl ark:exp/mono/ali.1 | more (ali.1.gz 解壓後城ali.1)
查看訓練中的文本與轉移狀態的對齊，注意，顯示的是每個文本和與之對齊的狀態轉移id：
copy-int-vector "ark:gunzip -c exp/mono/ali.1.gz|" ark,t:- | head -n 2
狀態轉移id可如下查看：
show-transitions data/lang/phones.txt exp/mono/0.mdl
pdf個數查詢：
gmm-info --print-args=false exp/mono/0.mdl | grep "gaussians" | awk '{print $NF}'
模型參數查看，分爲轉移模型和發射模型參數：
gmm-copy --binary=false exp/mono/30.mdl -