Kaldi解码图构建详解：语法模型、发音词典与随机性保持

在丁亦农编著的《kaldi里解码图的构建 - simulink与信号处理 第2版》一书中，章节4.4主要探讨了在kaldi这个开源语音识别工具中构建解码图的过程。解码图的构建是语音识别的核心组成部分，它是基于HCLG图（Hypothesis Construction Language Model Graph）的，由四个主要部分组成： 1. **G（语法或语言模型接收器）**：负责编码语法或语言模型，输入和输出符号相同，用于处理语言的概率分布。 2. **L（发声词典）**：连接词和音素，输出词，输入是音素，用于将文本转成音素序列。 3. **C（上下文关系）**：考虑音素之间的上下文关联，输出是上下文相关的音素，如Phonetic context windows部分所述，输入是包含N个音素的窗口。 4. **H（HMM定义）**：包含隐马尔可夫模型（HMM）的信息，输出是上下文相关的音素，输入是转移id，这些id代表不同的pdf-id或状态转移。 为了保证解码图的确定性和最小化，书中提到使用消歧符（disambiguation symbols）来处理可能的混淆，并且强调了与传统的weight-pushing（权重推动）方法不同，作者的方法侧重于在确保G（语言模型）的随机性基础上构建图，以避免随机性在构建过程中被消除。消歧符以#1, #2, #3等形式插入词典，确保输出的确定性，同时在语言模型G的补偿弧上添加#0。 此外，书中还涵盖了kaldi的其他关键概念，如安装和配置、数据库管理（如TIMIT、RM和VoxForge）、GPU支持、数据准备、特征提取、声学建模、神经网络训练、解码图的实时与训练时间创建、决策树的使用、HMM拓扑和聚类机制等。书中还提供了kaldi主页上的翻译、基准系统搭建、VoxForge在kaldi中的应用，以及与其他资源和版本更新的链接。对于想要深入理解kaldi解码图构建的人来说，这部分内容是不可或缺的指南。