kaldi中FST的可视化-以yesno为例

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。

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）

00NONO2.3025851200YESYES2.3025851202.30258512

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> SILYES YNO 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.fst01<eps><eps>0.69314718201SIL<eps>0.69314718211SIL<SIL>11NNO0.69314718212NNO0.69314718211YYES0.69314718212YYES0.693147182121SIL<eps>fstprint --isymbols=phones.txt --osymbols=words.txt L_disambig.fst0       1       <eps>   <eps>   0.6931471820       2       SIL     <eps>   0.6931471821       1       SIL     <SIL>1       1       N       NO      0.6931471821       3       N       NO      0.6931471821       1       Y       YES     0.6931471821       3       Y       YES     0.6931471821       1       #0      #012       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。

10SIL<eps>0.82921469211YYES2.9960937511NNO2.9960937512.9960937502#1<eps>0.53397160821YYES1.6329075121NNO1.6329075121.63290739

 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。

01SIL<eps>0.82921469200YYES2.9960937500NNO2.9960937502.9960937512#0<eps>0.53397160820YYES1.6329075120NNO1.6329075121.63290739

  3.5 hmm模型生成的ha.fst。这里的hmm对应的fst，是不带自环的。

0101072021.1920929e-07010263013314012202.7057123213302.7057123214400.1434019823600.93624758724701.1904900125801.1904900132901.80542946341100.398507833351201.80542946421302.34313083431402.34313083451600.2131655225618060007822089240-2.38418579e-079000101128011123004.76837158e-071200013000

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