著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
我目前使用kaldi分成两块: hmm-gmm和神经网络。
学习kaldi的话，先从hmm-gmm入手比较好，像steps/train_delta.sh, steps/train_fmllr.sh, steps/decode.sh这些脚本都是基于hmm-gmm模型。kaldi官网上没有多少关于hmm-gmm的资料，没有hmm-gmm基础知识的初学者可能对于decision tree，alignment, lattice这些概念一头雾水。若要搞清楚这些概念，可以看语音识别另一开原工具htk的文档htk book，htk book是学习hmm-gmm很好的一部著作，将hmm-gmm从训练到解码的过程讲解的很透彻。只要知道决策树，训练/识别网络扩展，viterbi解码，EM算法，区分训练这几个概念的原理hmm-gmm也就理解透彻了。htk book对于这些都有讲解，部分内容如EM算法，区分训练需要看一些文献。htk book第二，八，十，十二，十三章需要重点看；在学习htkbook的过程中，可以结合着kaldi的脚本对照理解；比如steps/train_delta.sh中build-tree命令那部分的代码对应htk book第十章tree-based clustering, gmm-est命令那部分的代码对应htk book第八章的Parameter Re-Estimation Formulae;
搞清楚hmm-gmm之后对语音识别就有了一个清晰的理解，接下来就可以上手神经网络。kaldi支持很多神经网路，如MLP, RNN, CNN, LSTM，如果对神经网路了解不多还是从MLP入手较好，MLP是神经网路中最基础的模型。
神经网路kaldi有3个工具nnet1, nnet2, nnet3，初学者可以从nnet1开始。nnet1使用的是hmm-dnn架构，相关的知识可以查阅微软俞栋2009-2013期间发表的论文。
nnet2的架构和nnet1同样是hmm-dnn架构，但是使用的是dan povey团队设计的NSGD算法，支持多线程并行训练，学习nnet2可以追dan povey从2012年之后的论文
至于nnet3，chain model,以及其他的神经网路结构(rn,cnn,lstm)的学习，当完成我上面的说的学习内容后自然对语音识别有一个大体的认识，后面要做的就是看相关的文献。微软，dan povey，google, 多伦多大学来自这些地方的论文不断的追就行了。
最后总结，语音识别是对理论要求很高的方向，学习过程中一定要注重理论知识的学习，很多公式还是有必要自己去推导下才能有深刻的理解。
文献:
HMM-GMM部分
<htk book>: HTK Speech Recognition Toolkit
http://lasa.epfl.ch/teaching/lectures/ML_Phd/Notes/GP-GMM.pdf
此文献详细讲解了hmm-gmm训练算法的推导过程
http://www.cc.gatech.edu/~dellaert/em-paper.pdf
此文献详细讲解了EM算法的基本原理
Discriminative Training for Large Vocabulary Speech Recognition (PDF Download Available)
此文献详细讲解了区分训练的基本原理
神经网络部分:
kaldi作者Dan Povey的个人主页，学习nnet2, nnet3, chain model看Povey的论文会很有帮助；
dnn部分:
Conversational speech transcription using context-dependent deep neural networks
Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition
微软俞栋和多伦多大学合作，逐层训练rbm，将训练得到的rbm连接起来作为dnn训练的初始模型. 并将dnn与hmm结合用于语音识别，kaldi的nnet1工具使用的就是上述2篇论文的架构;
lstm部分:
Long short-term memory recurrent neural network architectures for large scale acoustic modeling
kaldi例程中使用的lstm架构便出自于google的这两篇论文
Training deep bidirectional LSTM acoustic model for LVCSR by a context-sensitive-chunk BPTT approach
kaldi中lstm的训练算法便出自微软的这篇论文
cnn部分:
Advances in very deep convolutional neural networks for lvcsr
Dense prediction on sequences with time-dilated convolutions for speech recognition
kaldi中cnn的例程较少，而且其最新的cnn实现单元TimeHeightConvolutionComponent 与机器视觉那边的cnn实现有着很大的区别, 如果按照机器视觉中的cnn实现去做语音识别，那么训练的计算复杂度太高；kaldi最初的cnn实现单元ConvolutionComponent的设计思路和机器视觉cnn实现的思路是一致的，但是由于计算复杂度太高，现在已经打算废弃;上述两篇文章出自IBM，我在学习kaldi cnn的过程中发现kaldi TimeHeightConvolutionComponent设计的思路应该是出自这两篇论文，这种cnn架构学界称为dilated cnn，非常适合语音识别的模型训练，能够大幅度降低训练时间;
《语音识别实践》：微软研究院俞栋对HMM-DNN架构在语音识别中的相关理论讲解；内容主要是2009~2014期间学术界关于HMM-DNN架构的论文；
《模式识别》: 这本书第四章的非线性分类器作为神经网络的入门还是很合适的，理论讲解很详细；