[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

1. cat input/task.arpabo
2. \data\
3. ngram 1=4
4. \1-grams:
5. -1      NO
6. -1      YES
7. -99 <s>
8. -1 </s>
9. \end\

这个语言模型生成的G.fst，将其用fstprint打印出来（symbols选words.txt）

1. 0   0   NO  NO  2.30258512
2. 0   0   YES YES 2.30258512
3. 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

1. cat data/local/dict/lexicon.txt
2. <SIL> SIL
3. YES Y
4. 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

1. fstprint --isymbols=phones.txt --osymbols=words.txt L.fst
2. 0   1   <eps> <eps> 0.693147182
3. 0   1   SIL <eps> 0.693147182
4. 1   1   SIL <SIL>
5. 1   1   N   NO  0.693147182
6. 1   2   N   NO  0.693147182
7. 1   1   Y   YES 0.693147182
8. 1   2   Y   YES 0.693147182
9. 1
10. 2   1   SIL <eps>
11. fstprint --isymbols=phones.txt --osymbols=words.txt L_disambig.fst
12. 0       1       <eps>   <eps>   0.693147182
13. 0       2       SIL     <eps>   0.693147182
14. 1       1       SIL     <SIL>
15. 1       1       N       NO      0.693147182
16. 1       3       N       NO      0.693147182
17. 1       1       Y       YES     0.693147182
18. 1       3       Y       YES     0.693147182
19. 1       1       #0      #0
20. 1
21. 2       1       #1      <eps>
22. 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. 1   0   SIL <eps> 0.829214692
2. 1   1   Y   YES 2.99609375
3. 1   1   N   NO  2.99609375
4. 1   2.99609375
5. 0   2   #1  <eps> 0.533971608
6. 2   1   Y   YES 1.63290751
7. 2   1   N   NO  1.63290751
8. 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。

1. 0   1   SIL <eps> 0.829214692
2. 0   0   Y   YES 2.99609375
3. 0   0   N   NO  2.99609375
4. 0   2.99609375
5. 1   2   #0  <eps> 0.533971608
6. 2   0   Y   YES 1.63290751
7. 2   0   N   NO  1.63290751
8. 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。

1. 0   1   0   1
2. 0   7   20  2   1.1920929e-07
3. 0   10  26  3
4. 0   13  31  4
5. 0
6. 1   2   2   0   2.70571232
7. 1   3   3   0   2.70571232
8. 1   4   4   0   0.14340198
9. 2   3   6   0   0.936247587
10. 2   4   7   0   1.19049001
11. 2   5   8   0   1.19049001
12. 3   2   9   0   1.80542946
13. 3   4   11  0   0.398507833
14. 3   5   12  0   1.80542946
15. 4   2   13  0   2.34313083
16. 4   3   14  0   2.34313083
17. 4   5   16  0   0.213165522
18. 5   6   18  0
19. 6   0   0   0
20. 7   8   22  0
21. 8   9   24  0   -2.38418579e-07
22. 9   0   0   0
23. 10  11  28  0
24. 11  12  30  0   4.76837158e-07
25. 12  0   0   0
26. 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