转载：https://blog.csdn.net/w_manhong/article/details/79977431
Dan povey 主页，有kaldi的详细入门文档，以及相关的论文
kaldi官网
kaldi—github
系统搭建过程及生成文件解释：
http://blog.sina.com.cn/s/blog_444061c70101hx7l.html
单音素训练：
https://blog.csdn.net/u010731824/article/details/69668765
https://blog.csdn.net/baidu_36137891/article/details/77849041
https://blog.csdn.net/fengzhou_/article/details/77996244
三音素训练：
https://blog.csdn.net/u010731824/article/details/70161677
决策树状态绑定:
https://blog.csdn.net/u010731824/article/details/69668647
一些查看输出文件命令（配置好PATH后，在s5demo下运行）：
查看MFCC特征参数，对应文本id：
构造训练的fst网络，从源码级别分析，是每个句子构造一个phone level 的fst网络。这里采用预编译的原因是，可以尽量减少占用训练时间。 $data/text 中包含对每个句子的单词级别(words level)或音素级别(phone level)的标注，L.fst是词典的fst表示，作用是将一串的音素转换成单词。 构造monophone解码图就是先将text中的每个句子，生成一个fst（类似于语言模型中的G.fst，只是相对比较简单，只有一个句子）， 然后和L.fst进行composition 形成训练用的音素级别（phone level）fst网络（类似于LG.fst）。 fsts.JOB.gz 中使用key-value 的方式保存每个句子和其对应的fst网络，通过 key(句子索引)就能找到这个句子的fst网络， value中保存的是句子中每两个音素之间互联的边（Arc）,例如句子转换成音素后，标注为：“a b c d e f”, 那么value中保存的其实是 a->b b->c c->d d->e e->f这些连接（kaldi会为每种连接赋予一个唯一的id）， 后面进行 HMM训练的时候是根据这些连接的id进行计数，进一步得到音素内（intra）状态的转移概率和音素间（inter）状态的转移概率。
原文：https://www.cnblogs.com/cyblogs/p/12960459.html