kaldi的圖創建過程在訓練階段與測試階段相比而言要相對簡單一點，主要是因爲不需要消歧符號，我們假定你已經讀了這個recipe的test階段，然而我沒讀，，，。
在訓練過程中我們採用和test階段相同的HCLG形式，除了G是由一個符合訓練transcript的linear acceptor(當然這個setup和容易擴展到transciptes中的不確定情況)
Command-line programs involved in decoding-graph creation (在解碼圖中涉及到的命令行)
在這裏，我們將解釋在一個典型的訓練腳本中腳本級別發生的事情；接下來我們挖掘項目內部發生的情況。假設我們已經構建了一個樹和模型。接下來的命令會創造一個archive，其中包含對應的每一個訓練transcripts的圖HCLG
(第一個token是語音id，即011c0201)。項目的輸出格式爲archive形式的graphs.fst；對於訓練集中的每條語音而言，它以包含一個FST(以二進制性質)。此archive中的FSTs對應HCLG，但沒有過渡概率（默認：compile-train-graphs中，-self-loop-scale=0,且-transition-scale=0）。這是因爲這些graph將用於訓練的而多個階段，並且過渡概率將會發生變化，所以我們稍後再添加。但是archive（可理解爲數據的存檔）中的FSTs將具有silence 概率產生的概率（此處難以理解）（這些概率被編碼進L.fst）。如果我們使用發音概率，這些也將出現。
解釋了gmm-align-compile命令
閱讀這些archives，解碼訓練數據，從而產生狀態級對齊的命令如下所示，我們簡短地回顧一下這個命令，儘管這頁我們主要的關注點在於創建圖的本身：
其中，前三個參數是概率尺度。transition-scale和self-loop-scale再這裏出現是因爲這個項目在解碼前添加了轉移概率。下面的參數是beam和retry-beam；我們用一個初始化的beam，且如果對齊沒能達到最終狀態，我們將用另一個beam。因爲我們將聲音的比例設置爲0.1，我們需要以10來乘這些beams來獲得可與聲學可能性相媲美的數字。這個項目要求這個模型如下：根據迭代，$x.mdl會擴大到1.mdl或2.mdl；從archive（存檔，graphs.fst）中讀取圖。引號中的參數被視爲管道（不包括ark和I），並解釋爲由語音id索引的存檔，其中包含特徵。輸出到cur.ali，且如果以文本形式編寫，則看起來像上述的.tra文件，儘管證書現在不對應於單詞id，而是對應於過渡id（transition-ids,個人以爲最好理解爲轉移id）。
我們注意到兩個階段（圖創建和解碼）可以通過單個命令行程序gmm-align來完成，該程序可以根據需要來編譯圖。由於圖的創建需要相當長的時間，因此在任何時候都需要圖，而不僅僅是將他們寫入磁盤中。
未完待續