Dan povey 主页，有kaldi的详细入门文档，以及相关的论文
kaldi官网
kaldi—github
系统搭建过程及生成文件解释：
http://blog.sina.com.cn/s/blog_444061c70101hx7l.html
单音素训练：
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
三音素训练：
https://blog.csdn.net/u010731824/article/details/70161677
决策树状态绑定:
https://blog.csdn.net/u010731824/article/details/69668647
一些查看输出文件命令（配置好PATH后，在s5demo下运行）：
查看MFCC特征参数，对应文本id：
copy-feats ark:mfcc/raw_mfcc_train.1.ark ark,t:- | head
查看CMVN，对应说话人id：
copy-matrix ark:exp/mono/cmvn.ark ark,t:-
查看决策树：
copy-tree --binary=false exp/mono/tree - | less
画出决策树：
draw-tree data/lang/phones.txt exp/mono/tree | dot -Tps -Gsize=8,10.5 | ps2pdf - ~/tree.pdf
查看训练图：
fstcopy 'ark:gunzip -c exp/mono/graphs.fsts.gz|' ark,t:-
构造训练的fst网络，从源码级别分析，是每个句子构造一个phone level 的fst网络。这里采用预编译的原因是，可以尽量减少占用训练时间。$data/text 中包含对每个句子的单词级别(words level)或音素级别(phone level)的标注，L.fst是词典的fst表示，作用是将一串的音素转换成单词。构造monophone解码图就是先将text中的每个句子，生成一个fst（类似于语言模型中的G.fst，只是相对比较简单，只有一个句子），然后和L.fst进行composition 形成训练用的音素级别（phone level）fst网络（类似于LG.fst）。fsts.JOB.gz 中使用key-value 的方式保存每个句子和其对应的fst网络，通过 key(句子索引)就能找到这个句子的fst网络，value中保存的是句子中每两个音素之间互联的边（Arc）,例如句子转换成音素后，标注为：“a b c d e f”,那么value中保存的其实是 a->b b->c c->d d->e e->f这些连接（kaldi会为每种连接赋予一个唯一的id），后面进行 HMM训练的时候是根据这些连接的id进行计数，进一步得到音素内（intra）状态的转移概率和音素间（inter）状态的转移概率。
查看音素与状态的对齐：
show-alignments data/lang/phones.txt exp/mono/40.mdl ark:exp/mono/ali.1 | more (ali.1.gz 解压后城ali.1)
查看训练中的文本与转移状态的对齐，注意，显示的是每个文本和与之对齐的状态转移id：
copy-int-vector "ark:gunzip -c exp/mono/ali.1.gz|" ark,t:- | head -n 2
状态转移id可如下查看：
show-transitions data/lang/phones.txt exp/mono/0.mdl
pdf个数查询：
gmm-info --print-args=false exp/mono/0.mdl | grep "gaussians" | awk '{print $NF}'
模型参数查看，分为转移模型和发射模型参数：
gmm-copy --binary=false exp/mono/30.mdl -