[转] kaldi中FST的可视化-以yesno为例
http://blog.csdn.net/u013677156/article/details/77893661
1、kaldi解码过程
kaldi识别解码一段语音的过程是：首先提取特征，然后过声学模型AM，然后过解码网络HCLG.fst，最后输出识别结果。
HCLG是解码时的重要组成部分。HCLG.fst是由4个fst经过一系列算法（组合、确定化和最小化等）组合而成的。4个fst分别是H.fst、C.fst、L.fst和G.fst，分别是HMM模型、上下文环境、词典和语言模型对应的fst。 trans-id -> context-tri -> mono ->word->grammar
HCLG = asl(min(rds(det(H' o min(det(C o min(det(Lo G))))))))
上面的o表示组合，det表示确定化,min表示最小化，rds表示去除消岐符号，asl表示增加自环。
Kaldi中，单独的C.fst是不存在的。L和G合并生成LG.fst，然后在其基础上，根据决策树的结果，直接生成CLG.fst。
2、fst可视化的两个基本命令
fstprint和fstdraw是可视化用到的两个基本命令
fstprint用于打印fst，可以将二进制的fst以文件形式打印出来。Fstprint的基本用法如下
fstprint [--isymbols=xxxx --osymbols=xxxx ] FST
参数—isymbols和—osymbols分别表示输入符号表和输出符号表，这两个参数可以省略。
fstdraw用于画fst图，其使用方式跟fstprint类似。Fstdraw得到的结果是dot文件，通过dot命令转为ps格式，然后可以由ps2pdf命令转为pdf文档。
fstdraw使用示例
fstdraw [--isymbols=phones.txt --osymbols=words.txt] L.fst | dot –Tps | ps2pdf – L.pdf
3、yesno例子中各个fst的可视化
3.1 语言模型生成的G.fst可视化
yesno例子中的语言模型很简单
- cat input/task.arpabo
- \data\
- ngram 1=4
- \1-grams:
- -1 NO
- -1 YES
- -99 <s>
- -1 </s>
- \end\
这个语言模型生成的G.fst，将其用fstprint打印出来（symbols选words.txt）
- 0 0 NO NO 2.30258512
- 0 0 YES YES 2.30258512
- 0 2.30258512
上面是G.fst的打印结果。对于fst，其打印结果，一行一般有5列。一行对应一个弧。第一列和第二列，表示这个弧的起始状态和终止状态。第三列和第四列，表示输入和输出。第五列是权重。
将其对应的图打印出来，用fstdraw命令
3.2 词典文件生成的L.fst
yesno例子中的词典文件也很简单，如下所示
- cat data/local/dict/lexicon.txt
- <SIL> SIL
- YES Y
- NO N
在data/lang目录下会找到两个fst，分别是 L.fst和L_disambig.fst。后者是在L.fst上加消岐符号。
用fstprint查看这两个fst
- fstprint --isymbols=phones.txt --osymbols=words.txt L.fst
- 0 1 <eps> <eps> 0.693147182
- 0 1 SIL <eps> 0.693147182
- 1 1 SIL <SIL>
- 1 1 N NO 0.693147182
- 1 2 N NO 0.693147182
- 1 1 Y YES 0.693147182
- 1 2 Y YES 0.693147182
- 1
- 2 1 SIL <eps>
- fstprint --isymbols=phones.txt --osymbols=words.txt L_disambig.fst
- 0 1 <eps> <eps> 0.693147182
- 0 2 SIL <eps> 0.693147182
- 1 1 SIL <SIL>
- 1 1 N NO 0.693147182
- 1 3 N NO 0.693147182
- 1 1 Y YES 0.693147182
- 1 3 Y YES 0.693147182
- 1 1 #0 #0
- 1
- 2 1 #1 <eps>
- 3 2 SIL <eps>
用fstdraw看两个fst图，第一个图是 L.fst；第二个是 L_disambig.fst。实际生成HCLG时，用的是L_disambig.fst。
3.3 将L.fst（这里指L_disambig.fst）和G.fst合并起来，生成LG.fst。
- 1 0 SIL <eps> 0.829214692
- 1 1 Y YES 2.99609375
- 1 1 N NO 2.99609375
- 1 2.99609375
- 0 2 #1 <eps> 0.533971608
- 2 1 Y YES 1.63290751
- 2 1 N NO 1.63290751
- 2 1.63290739
3.4将LG.fst生成CLG.fst，得到的结果如下；因为是单音素，所以跟原先的LG.fst是一样的。
- 0 1 SIL <eps> 0.829214692
- 0 0 Y YES 2.99609375
- 0 0 N NO 2.99609375
- 0 2.99609375
- 1 2 #0 <eps> 0.533971608
- 2 0 Y YES 1.63290751
- 2 0 N NO 1.63290751
- 2 1.63290739
3.5 hmm模型生成的ha.fst。这里的hmm对应的fst，是不带自环的。
- 0 1 0 1
- 0 7 20 2 1.1920929e-07
- 0 10 26 3
- 0 13 31 4
- 0
- 1 2 2 0 2.70571232
- 1 3 3 0 2.70571232
- 1 4 4 0 0.14340198
- 2 3 6 0 0.936247587
- 2 4 7 0 1.19049001
- 2 5 8 0 1.19049001
- 3 2 9 0 1.80542946
- 3 4 11 0 0.398507833
- 3 5 12 0 1.80542946
- 4 2 13 0 2.34313083
- 4 3 14 0 2.34313083
- 4 5 16 0 0.213165522
- 5 6 18 0
- 6 0 0 0
- 7 8 22 0
- 8 9 24 0 -2.38418579e-07
- 9 0 0 0
- 10 11 28 0
- 11 12 30 0 4.76837158e-07
- 12 0 0 0
- 13 0 0 0
这个fst的第三列，输入，是transition-id；输出是音素。其对应的图如下
上面图中，圆圈表示的就是状态，里面的数字是状态的id。弧上面，冒号前面的数字时transition-id，冒号后面的数字是输出的音素；斜杠后面的数字是权重。
其中0-7-8-9-0这条“路径”，表示的就是音素Y； 0-10-11-12-0表示的就是音素N。
按照同样的方法，可以打印和画出 HCLGa.fst 和 HCLG.fst的内容。
其他有用的fst相关的命令： fstinfo fstcopy
