Kaldi 语音识别主流程：

语音识别过程

解码网络使用 HCLG.fst 的方式， 它由 4 个 fst 经过一系列算法组合而成。分别是 H.fst、C.fst、L.fst 和 G.fst 4 个 fst 文件：

1. G：语言模型，输入输出类型相同，实际是一个WFSA（acceptor接受机），为了方便与其它三个WFST进行操作，将其视为一个输入输出相同的WFST。

2. L：发音词典，输入：monophone，输出：词;

3. C:上下文相关，输入：triphone（上下文相关），输出：monophnoe;

4. H:HMM声学模型，输入：HMM transitions-ids (对 pdf-id 和 其它信息编码后的 id)，输出：triphone。

通过如下组合方式来计算最终输出结果：

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。

其训练顺序为 G -> L -> C -> H (因 G 语法模型基于统计生成，L 则是在 G 生成过程中使用的基础，而 C 则是基于 L 生成的 phone 上下文关系依据决策树生成的结果)

解码过程中使用 Lattice 来保存识别的候选序列，通过遍历得到得分最靠前的多条候选路径，即 N-best，即为输出文本。Lattice 本质是一个有向无环图( directed acyclic graph )。 图上的每个节点代表一个词的结束时间点，每条边代表一个可能的词，以及该词发生的声学得分和语言模型得分。

参考

语音识别中的lattice与confusion network
kaldi lattice