2. 切换到timit主目录下 /u01/kaldi/egs/timit/s5，
修改run.sh中的一项为 timit=/u01/kaldi/egs/timit/s5/data/timit ，即指定训练数据的目录。如下所示：
echo ============================================================================
echo "                Data & Lexicon & Language Preparation                     "
echo ============================================================================


#timit=/export/corpora5/LDC/LDC93S1/timit/TIMIT # @JHU
timit=/u01/kaldi/egs/timit/s5/data/timit # @BUT


local/timit_data_prep.sh $timit || exit 1


3. 直接运行./run.sh就可以了

***********************************************************************************************************************************************************

下面讲解下run.sh脚本的一些处理流程：

local/timit_data_prep.sh    -----  从训练数据库/u01/kaldi/egs/timit/s5/data/timit中抽取出训练数据的目录位置并写到/u01/kaldi/egs/timit/s5/data/local/data， 这里使用的命令/u01/kaldi/src/featbin/wav-to-duration

local/timit_prepare_dict.sh -----   生成字典数据并放至到/u01/kaldi/egs/timit/s5/data/local/dict，使用的命令/u01/kaldi/tools/irstlm/bin/compile-lm， /u01/kaldi/tools/irstlm/bin/build-lm.sh， 

utils/prepare_lang.sh  ----- 借助字典数据生成语言模型并放至 /u01/kaldi/egs/timit/s5/data/lang，使用的命令utils/make_lexicon_fst.pl， utils/sym2int.pl， fstcompile， fstaddselfloops， fstarcsort， 

steps/make_mfcc.sh,  steps/compute_cmvn_stats.sh  ---- 借助local/timit_data_prep.sh生成的数据位置抽取出MFCC特征，数据放到到 /u01/kaldi/egs/timit/s5/data/train，使用的命令compute-mfcc-feats， compute-cmvn-stats， copy-feats,  copy-matrix


单音素训练与解码
steps/train_mono.sh ---- 借助前两步生成的mfcc和语言模型生成单音素，使用命令gmm-init-mono， compile-train-graphs ， align-equal-compiled， gmm-acc-stats-ali， gmm-est， gmm-align-compiled 

utils/mkgraph.s ----  生成decoding graph， 使用的命令fsttablecompose， fstminimizeencoded， fstisstochastic， fstcomposecontext， make-h-transducer， fstdeterminizestar， fstrmsymbols， fstrmepslocal， add-self-loops

steps/decode.sh ----  解码数据，使用命令gmm-latgen-faster， gmm-decode-faster， compute-wer