用外行术语解释 Kaldi 的对象
Kaldi's objects explained in layman's term
我想了解 Kaldi 的内部工作原理，但是在理解 kaldi's doc 的技术细节时遇到了困难。
我想先对各种对象有一个高层次的理解，以帮助消化所呈现的内容。我特别想知道 .tree、fina.mdl 和 HCLG.fst 文件是什么，生成它们需要什么以及如何使用它们。
依稀明白（如有错误请指正）：
- final.mdl 是声学模型，包含从一个 phone 转换到另一个的概率。
- HCLG.fst 是一个图，给定一个 phone 的序列，它将根据词典、语法和语言模型生成最可能的单词序列。
- decoding-graph 是生成 HCLG.fst
的术语
- 不太清楚什么是加自循环，是不是类似于Kleene算子？
- 格子包含话语的替代词序列。
我知道有很多内容要讲，但我们非常感谢您的帮助！
你最好一次问一个问题。还有，最好先看书理解理论，而不是一下子就掌握。
final.mdl is the acoustic model and contains the probability of transitioning from one phone to another
声学模型模型 final.mdl 的主要组成部分是声学检测器，而不是转换概率。它要么是一组 phones 的 GMM，要么是一个神经网络。声学模型还包含从一个 hmm 状态到另一个 hmm 状态的转换概率，这是为单个 phone 构建 HMM 模型的原因。 phones 之间的转移概率在图 HCLG.fst
中编码
HCLG.fst is a graph that given a sequence of phones it will generate the most likely word sequence based on the lexicon, grammar and language model.
不完全是，HCLG fst 是一个有限状态转换器，它可以根据词典和语言模型为您提供状态序列的概率。 Phone 序列在图形中并没有真正使用，它们在图形构造中被考虑到。
not quite sure what adding a self-loop is, is it similar to the Kleene operator?
语音HMM对每个状态都有自循环，它允许状态持续几个输入帧。可以在书上找HMM拓扑看看环路。
lattice contain alternative word-sequence for an utterance.
这是正确的，但它还包含时间以及声学和语言模型分数。
但是 HCLG（即“H”和“C”中的）的转移概率是如何估计的？我明白了，因为 G 只是一个语言模型，所以可以从语料库中估计单词之间的转换概率，但我不明白“H”（将 HMM 状态转换为上下文相关音素的转换器）的转换概率是如何计算的估计我是否有一个用于声学模型的 DNN 并使用 GMM-HMM 的对齐方式对其进行训练，因为 DNN 的输出是具有发射概率的 softmax。转换概率是简单地从 GMM-HMM 模型中获取，还是像发射概率一样在训练期间更新？
我想了解 Kaldi 的内部工作原理，但是在理解 kaldi's doc 的技术细节时遇到了困难。
我想先对各种对象有一个高层次的理解，以帮助消化所呈现的内容。我特别想知道 .tree、fina.mdl 和 HCLG.fst 文件是什么，生成它们需要什么以及如何使用它们。
依稀明白（如有错误请指正）：
- final.mdl 是声学模型，包含从一个 phone 转换到另一个的概率。
- HCLG.fst 是一个图，给定一个 phone 的序列，它将根据词典、语法和语言模型生成最可能的单词序列。
- decoding-graph 是生成 HCLG.fst 的术语
- 不太清楚什么是加自循环，是不是类似于Kleene算子？
- 格子包含话语的替代词序列。
我知道有很多内容要讲，但我们非常感谢您的帮助！
你最好一次问一个问题。还有，最好先看书理解理论，而不是一下子就掌握。
final.mdl is the acoustic model and contains the probability of transitioning from one phone to another
声学模型模型 final.mdl 的主要组成部分是声学检测器，而不是转换概率。它要么是一组 phones 的 GMM，要么是一个神经网络。声学模型还包含从一个 hmm 状态到另一个 hmm 状态的转换概率，这是为单个 phone 构建 HMM 模型的原因。 phones 之间的转移概率在图 HCLG.fst
中编码HCLG.fst is a graph that given a sequence of phones it will generate the most likely word sequence based on the lexicon, grammar and language model.
不完全是，HCLG fst 是一个有限状态转换器，它可以根据词典和语言模型为您提供状态序列的概率。 Phone 序列在图形中并没有真正使用，它们在图形构造中被考虑到。
not quite sure what adding a self-loop is, is it similar to the Kleene operator?
语音HMM对每个状态都有自循环，它允许状态持续几个输入帧。可以在书上找HMM拓扑看看环路。
lattice contain alternative word-sequence for an utterance.
这是正确的，但它还包含时间以及声学和语言模型分数。
但是 HCLG（即“H”和“C”中的）的转移概率是如何估计的？我明白了，因为 G 只是一个语言模型，所以可以从语料库中估计单词之间的转换概率，但我不明白“H”（将 HMM 状态转换为上下文相关音素的转换器）的转换概率是如何计算的估计我是否有一个用于声学模型的 DNN 并使用 GMM-HMM 的对齐方式对其进行训练，因为 DNN 的输出是具有发射概率的 softmax。转换概率是简单地从 GMM-HMM 模型中获取，还是像发射概率一样在训练期间更新？