N-best lists and best paths

有些时候（e.g. Viterbi training;用神经网络语言模型重打分）我们不需要网格结构而是需要最佳路径或 N-best路径。N-best列表的格式和网格一样，除了每个句子有多个 FSTs（最多 n个，如果设定了 n）。假设 utterance ids是 uttA, uttB等。网格的一个 Table（e.g. an archive）会包含 uttA的网格，uttB的网格，等等。如果运行：

lattice-to-nbest --acoustic-scale=0.1 --n=10 ark:1.lats ark:1.nbest

那么 archive 1.nbest会包含网格 uttA-1, uttA-2,...uttA-10和 uttB-1...uttB-10等等。当然某些语句可能没有这么多的 N-best，因为网格没有那么多的不同的词序列。lattice-to-nbest需要 acoustic scale因为这影响到哪个路径得分最低。

某些情况下处理 FST还是不够方便，而我们需要一个线性结构，e.g. 一个词序列。这时，我们可以用：

nbest-to-linear ark:1.nbest ark:1.ali ark:1.words ark:1.lmscore ark:1.acscore

这个程序读网格的 archive，它必须是一个线性 FST，然后输出4个 archives，对应输入符号序列，输出符号序列，the acoustic and LM scores。格式会像下面一样（假定你以文本方式写）：

head 1.words utt-A-1 10243 432 436 10244 utt-A-2 7890 420 10244 ...

Kaldi会处理后面的数字 id；你可以用符号表和 scripts/int2sym.pl把它们转换为词。上面的逆变换可以用linear-to-nbest完成。

另一个有用的程序是lattice-to-1best，它和lattice-to-nbest --n=1不太一样，因为语句id后面不会有“-1”。你可以把输出送入到nbest-to-linear来得到词序列或类似的内容。lattice-best-path输入网格并输出两个 archives，包含词序列和 transition-id序列。这样用是有历史原因的；lattice-to-1best和nbest-to-linear组合起来用更加清晰，和整体框架也更一致。