输入：
输出：
代码语言：javascript复制steps/train_mono.sh --cmd "$train_cmd" --nj 10
data/train data/lang exp/mono || exit 1;流程：
代码语言：javascript复制1. apply-cmvn # 对feats.scp做归一化处理
2. add-deltas # 训练数据增加差分量，比如16维度mfcc特征增加2阶差分量后变成48维度
2. gmm-init-mono # 初始化单音素模型，生成0.mdl、tree
3. compile-train-graphs # 编译训练时的图，生成text中每句文本对应的fst，存放在fsts.JOB.gz中
4. align-equal-compiled # 第一次对齐数据，生成对齐状态序列，通过管道传递给gmm-acc-stats-ali，得到更新参数时用到的统计量
5. gmm-est # 第一次更新模型参数
# 进入训练模型的主循环
6. gmm-align-compiled # 在指定的对齐轮数，使用gmm-align-compiled对齐特征数据，得到新的对齐状态序列。（维特比算法）
7. gmm-acc-states-ali & gmm-est# 每一轮都调用gmm-acc-stats-ali计算更新模型参数所用到的统计量, 每次模型参数的迭代都需要成对地使用gmm-acc-states-ali 和 gmm-est工具。 分开成2个工具的原因；1. 可以并行。2. gmm-est兼具高斯分量分裂的功能。
8. gmm-sum-accs备注：
- apply-cmvn
- 目录：src/featbin/apply-cmvn
- 输入：data/{train,test,dev}/fe
