什么是语音解码

解码就是在网络中寻找最优路径。语音解码就是一个从特征序列到最优状态序列的映射。
网络就是WFST，利用HMM，跨词三音子模型，词典，以及语言模型，构建出来的网络。
寻找最优路径的算法用的是viterbi算法，本质上是动态规划。

语音解码步骤

每来一帧数据，提取特征得到特征向量，输入特征向量，在WFST图中寻找最优路径，包括两个主要操作：确定当前时刻状态得分，计算跳转到下一时刻状态得分。

确定当前时刻状态得分

利用声学模型，计算P(o|s) ，其中o是当前语音帧提取的特征，s是状态。所以声学模型本质上就是一个映射关系，确定每一帧语音与对应的状态得分。kaldi中叫am_cost。

计算跳转到下一时刻状态得分

利用WFST，用来计算从这一状态到(有限的)下一状态的得分，是四个转换的复合得分，也就是前面提到过的HMM，跨词三音子模型，词典，以及语言模型，kaldi中叫graph_cost。WFST其实起到了两个作用，一个是计算graph_cost，也就是WFST图中弧上的权重，另外一个作用是将状态限制在一定范围，无论是当前状态，还是下一状态，只有在个网络中，才会计算。

am_cost 和 graph_cost合在一起确定了当前一步的得分。当前一步有 种可能，语音如果有T帧，那么时间复杂度就是

以上解码概述都是基于Kaldi的静态WFST解码。

WFST构图部分见语音识别WFST构图
Viterbi解码部分见语音识别Viterbi解码

Reference

http://kaldi-asr.org/doc/index.html
https://www.zhihu.com/question/274765693/answer/615441339
https://www.leiphone.com/news/201610/BQLMnSiPoM8TvAfX.html