为何将FST中词的输出标签置于初始转移能实现高效组合？

一、为何词输出需置于初始转移而非最终转移？ #

WFST的组合操作基于状态间转移的输入/输出标签匹配实现，结合论文第19页的表述可以拆解其设计逻辑：

为使该transducer能与G高效组合，必须将（词）输出标签置于词的初始转移上；其他位置会导致组合匹配延迟，消耗大量时间与空间。

若将词输出放在最终转移，意味着要等整个音素序列输入完成（走到终止状态），才能输出词标签并与文法G的转移（比如二元文法中前一个词到当前词的依赖转移）匹配。这个过程中，组合操作需要保留大量未完成的中间路径，每一步都要维护多个等待音素输入完成的状态，会直接导致状态数急剧膨胀，时间和空间复杂度飙升。

而将词输出放在初始转移时，只要触发对应词的第一个音素转移，就能立刻输出词标签，此时可直接与文法G中对应词的转移完成匹配。这种「提前绑定输出标签」的设计，让组合操作能在每一步及时合并匹配的状态，避免了延迟匹配带来的资源浪费，保证了组合的高效性。

二、音素输入序列为何能对应初始转移的整个词输出？ #

这里要明确WFST transducer的多对一映射逻辑：输出的词标签并非绑定单个转移的输入，而是绑定整个路径的输入序列。

以识别由d、ey、dx、ax等音素组成的词为例：

• 初始转移标记输出整个词，但这个转移只是路径的起点，后续会有一系列转移依次消耗d、ey、dx、ax这些音素输入；
• 当整个路径从初始状态走到终止状态时，输入的完整音素序列就对应了初始转移输出的词标签。

把词输出放在初始转移，本质是把「词标签」这个输出符号提前关联到整个路径的起始，这样在与文法组合时，能尽早完成标签匹配，而非等所有音素输入处理完才进行后续组合操作。

内容的提问来源于stack exchange，提问作者Anantha Krishnan