5.1 组装生产线：HCLG 解码图的构建工艺
5.1 组装生产线：HCLG 解码图的构建工艺
本节摘要：解码图把语言模型、发音词典、上下文规则、声学拓扑四张转换器自右向左组合成一张统一的搜索地图，是三块知识源的物理接口。本节讲清四张图的职责、组合顺序、消歧符号的用途、规模来源与瘦身手段，给出构建与验收命令。承接第 4 章的训练产物，是出炉的第一道工序。
总装车间里的四张图纸
解码图的名字就是四张图纸的缩写：H、C、L、G。G 是语法图，由语言模型转来，输入输出都是词，管"词序像不像人话"；L 是词典图，输入音素、输出词，管"音素怎么拼成词"；C 是上下文图，把单音素展开成三音素并带上决策树的绑定信息，管"音素在邻居影响下怎么变"；H 是声学拓扑图，把三音素再展开到隐马尔可夫状态与转移弧，管"状态怎么随时间推进"。组合完成后，输入端是"声学状态序列"，输出端是"词序列"——解码器拿到每帧的状态打分，就能沿着这张图走到词。
组合顺序有讲究：先组语言图与词典图（词这一层的接口对齐），再叠加上下文展开，最后焊接声学拓扑。每一步组合后都要做确定化（同一输入只留一条最优到达方式）与最小化（合并等价节点），否则图的规模会失控。成品图动辄几十万节点、几百万条弧，这就是解码器"预编译"的产物——把语言知识与词典知识全部烘焙进图里，解码时不必再查任何外部资源。
# 四张图纸的输入输出对照 图纸 输入符号 输出符号 职责 G 词 词 词序概率 L 音素 词 拼词规则 C 三音素 单音素 上下文展开与绑定 H 状态转移弧 三音素 时间拓扑 # 组合后成品：输入状态转移弧，输出词
图 自右向左的总装顺序
消歧符号：总装时的防呆销钉
组合过程中有个技术暗礁：词典图里不同的词可能有相同的音素序列开头，组合算法需要知道"走到哪里才算确定拼出了一个词"。消歧符号就是为此埋进的特殊标记——在词条之间插入编号符号，让等价路径可区分，总装完成后它们在输入端，解码时无感。你不需要亲手处理它们，但见到语言目录里那几个带编号的特殊音素名，要知道是干这个的。
消歧符号还牵出一个常见误解：有人看到语言目录里两套词典图（一套带消歧一套不带），以为是冗余。其实一套是总装用的原料（带销钉），一套是留给人工检查与对齐工具用的成品视图（不带销钉）。两套图职责不同，删掉任何一套都会让某条工具链断掉。
动手构建与验收
构建由一条命令完成，产物落在实验目录的图子目录：
# 为三音素模型构建解码图（在食谱目录内） utils/mkgraph.sh data/lang exp/tri1 exp/tri1/graph # 参数：语言目录 模型目录 图输出目录 # 预期输出：多阶段日志，末尾打印图的规模统计 # 验收一：看成品 ls exp/tri1/graph # 预期输出（节选）： # HCLG.fst disambig_tid.int words.txt num_pdfs # HCLG.fst 是成品，words.txt 是词编号账本
验收二看规模与健康度。转换器信息工具能打印节点数、弧数与连通性：
# 用信息工具体检成品图（示意） fstinfo exp/tri1/graph/HCLG.fst | head -n 8 # 预期输出（节选）： # fst type vector # # of states 7xxxx # # of arcs 2xxxxxx # ... # 看点：状态数十万级、弧数千万级属正常量级； # 连通性报错或弧数为零，说明上游某张图纸坏了
规模从哪来？主要来自三处：语言模型的阶数与词表（G 的规模）、词典的音素组合（经 C 展开）、上下文窗口的宽度。瘦身材也就对症下药：小任务用小语言模型或限制词表；把词拆成子词单元压缩词典组合；调整剪枝阈值丢掉低概率弧。图规模与解码速度直接挂钩，在线场景尤其敏感。
从 G 到图：语言模型那头的水龙头
四张图纸里，唯一经常被替换试验的是 G。换一份领域语言模型重建图，其余三张图纸与模型都不动，这是"换语言不换声学"的标准操作。反过来也要清楚：图一旦重建，此前的解码目录全部作废，错误率要重测——图是编译产物，不是运行时可插拔的组件。
G 的选择本身有三个旋钮。词表范围：用全量词表还是按任务词频截取，词表越全图越大；阶数：三到五元是常规范围，阶数高一档，图与语言模型都胖一圈；平滑配比：由语言模型训练工具决定，图构建阶段只是消费者。经验路径是先小后大：小图跑通全流程、确认指标正常，再上大图冲指标，避免"图建了半小时、结果发现词典漏词"的返工。
物理形态上，成品图是二进制转换器文件，规模从几十兆到上吉字节不等，跟随模型目录存放。它只认编号不认文本，所以图目录里总要陪着一份词编号账本——丢了账本，图就是一堆无法解读的字节。多人协作时图目录要跟着模型版本一起归档，光存模型不存图，复原时还要重新踩一遍构建的坑。
总装车间问答
问：图能不能离线建好直接给别人用？ 可以，图与模型成对打包交付是常规做法。注意对方的解码器版本要与图的转换器格式兼容，跨大版本交付前先拿几句样例音频验证。
问：为什么我建的图比别人大十倍？ 三个最常见原因：语言模型用了全量词表、词典没做子词压缩、语言目录的上下文窗口开宽了。逐项对照检查，通常一项就能解释大半。
问：构建到一半断了要重来吗？ 图构建脚本内部有阶段缓存，从中断阶段续跑即可；但若中断发生在组合早期，缓存目录可能不完整，直接清掉输出目录重来一遍更省心。
问：同一份语言资源能配不同模型吗？ 语言目录（词典与语法）是模型无关的，换模型只需重跑组合与焊接；但不同模型树的叶子状态数不同，图的输入端随之不同，所以"语言目录共享、图各建各的"才是正确姿势。
⚠️ 常见坑一：模型换代后忘了重建图，解码一启动就报维度不匹配——图与模型必须成对更换。坑二：语言目录与词典目录不是同一套生成的，消歧编号对不上，组合阶段报错且信息晦涩。坑三：图构建到一半磁盘写满，留下半张坏图，后续解码结果全错，构建日志务必看到"成功"字样再往下走。
总装验收单
- 四图各管一段：语法管词序、词典管拼词、上下文管变形、拓扑管时间，组合后一图通吃。
- 顺序与保养不可省：自右向左组合，每步确定化加最小化，否则规模失控。
- 图与模型成对：换模型必换图，图目录跟着模型目录走。
- 规模是解码速度的先手棋：在线任务先掂量图的体量，再谈解码器优化。
生产线装好了，下一节开炉放料：同一张图，离线整批开与在线逐帧开，两种炉法的门道各有一套。