【LVCSR语音识别系统搭建】涉及的是语音识别技术，特别是基于Kaldi框架的实现。Kaldi是一个开源的信号处理和机器学习工具包，专门用于自动语音识别（ASR）任务。在这个项目中，我们将深入理解如何搭建一个大型词汇连续语音识别（LVCSR）系统。
首先，【数据处理及特征提取】是构建语音识别系统的基石。这一步包括了词典准备和数据整理。在词典准备阶段，`aishell_prepare_dict.sh`脚本用于处理`resource_aishell`下的`lexicon.txt`，生成额外的文件如`extra_questions.txt`等，这些文件分别存储了非静音音素、静音音素等信息。词典包含了大约14万个中文词汇及其对应的读音，包括声调，并按拼音首字母排序，同时也处理了多音字的情况。
接着，`aishell_data_prep.sh`负责数据整理，指定使用`aishell_transcript_v0.8.txt`作为语料，并生成相应的`transcripts.txt`。在`data`目录下创建`train`、`dev`和`test`子目录，这些目录包含了诸如`spk2utt`、`text`、`utt2spk`等文件，它们分别记录了说话者与句子的映射、句子文本、说话者与句子的映射以及音频文件路径等关键信息。
然后，【Phone Sets, questions, L compilation】阶段，`utils/prepare_lang.sh`用于创建`lang`文件夹，包含发音字典的有限状态机模型（L.fst）、消歧版的L_disambig.fst，以及其他如phones.txt、words.txt等文件，这些文件记录了音素和单词的编号，以及未登录词（OOV）信息。`topo`文件描述了音素的HMM模型拓扑结构。同时，`phone`文件夹保存了音素的详细信息。在`data/local/lang`下，`lexiconp_disambig.txt`添加了消歧符号，为生成L_disambig.fst做准备。
【特征提取】步骤中，使用`steps/make_mfcc_pitch.sh`提取MFCC（Mel Frequency Cepstral Coefficients）和基频特征，再通过`steps/compute_cmvn_stats.sh`执行倒谱均值方差归一化（CMVN），以减少说话人和环境的影响。
【模型训练】阶段分为两个主要部分：
1. 语言模型及WFST：`local/aishell_train_lms.sh`利用`ngram-count`计算词的条件概率和回退概率，生成三元组语言模型（3gram-mincount/lm_unpruned.gz）。接着，`utils/format_lm.sh`将语言模型转化为WFST图（G.fst）。
2. 单音素模型训练：使用`train_mono.sh`训练GMM-HMM声学模型。此过程包括初始化、对齐、参数更新等步骤，生成的模型存储在`exp/mono`目录下。
整个流程中，Kaldi通过处理语音数据，提取特征，构建语言模型，训练声学模型，逐步优化识别性能，从而构建出一个完整的LVCSR系统。这个过程展示了语音识别技术在实际应用中的复杂性和精细度，以及Kaldi框架在处理这些问题上的强大能力。
