轉自：http://blog.csdn.net/zjm750617105/article/details/55211992

對於每個類別的GMM有幾種思路：
第一是將所有訓練數據按類別分開，每類的數據訓練一個GMM模型
第二是將所有的數據訓練一個UBM模型，然後將訓練數據按類別分開，用MAP去訓練每個類別的GMM（對角UBM的MAP貌似kaldi 沒有）
第三就是將所有的數據訓練一個UBM模型，然後不做MAP，直接用訓好的UBM所GMM的初始值，然後將所有訓練數據按類別分開，訓練三個GMM模型（在第一種方法的GMM初始化用訓好的UBM）

準備測試集數據，如果訓練GMM是用的是原始的MFCC特征的話，也就是不經過add-delta apply-cmvn selected-voiced

select-voiced-frames scp:feats.scp scp:vad.scp ark:- | compute-cmvn-stats ark:- ark:- | apply-cmvn --norm-vars=false ark:- scp:feats.scp ark:- | add-deltas --delta-window=3 --delta-order=2 ark:- ark:- | select-voiced-frames ark:- scp:vad.scp ark,t:final_feats.txt
#經過處理之後的特征在final_feats.txt中，可以直接vim打開驗證一下維度對不對.
 

訓好三個diag_GMM之後, 可以直接用kaldi的工具進行計算對數似然值：

#這個可以，計算的每一幀的似然值
gmm-global-get-frame-likes final.dubm scp:feats.scp ark,t:F_likes  
#對每一幀的似然值取平均，每句話得到一個似然值
gmm-global-get-frame-likes --average=true final.dubm scp:feats.scp ark,t:F_likes  
#由於上面測試集的數據是 final_feats.txt,那麽我們的腳本就是：
gmm-global-get-frame-likes --average=true final.dubm ark,t:final_feats.txt
 
 ark,t:F_likes  
#得到的輸出文件F_likes,內容格式: uttId score

計算似然值的公式也很簡單，很多現有值在GMM的模型裏已經算出來了， weights , gconst , invvars, means_invvars直接根據這些結果只進行計算就可以了。

訓練得到的diag gmm 模型是 final.dubm ,可以用轉化成文本

gmm-global-copy --binary=false final.dubm final_dubm.txt

[轉]kaldi基於GMM做分類問題