隱馬爾可夫模型是如何應用於語音識別？

01-08

已知離散HMM基本理論，三個問題的解決過程，MFCC參數，DTW的孤立詞識別。
想知道HMM是如何應用到語音識別的（孤立詞），包括觀察狀態怎麼和向量產生聯繫、隱藏狀態代表什麼物理意義等。如果有比較好的資料也請推薦（請勿推薦common的hmm的資料。。）
謝謝啦！

既然你學過HMM的知識，你應該知道HMM的輸出可以是離散的，也可以是連續的。當輸出是離散的時候，每個狀態的輸出概率分布用一個多項分布來描述；當輸出是連續的時候，每個狀態的輸出概率分布常常使用高斯混合分布（GMM）來描述。天氣、骰子等是輸出離散的情況，而語音識別則是輸出連續的情況。

在孤立詞識別中，每個候選詞用一個HMM來建模。這些HMM一般是順序型的，即由串聯的若干個狀態組成，每個狀態只能轉移到自身或下一個狀態（有時也允許跳過一個狀態，但這樣實現起來稍麻煩）。狀態可以粗略理解成詞中的每個音素，比如dog由d,o,g三個狀態組成。不過在孤立詞識別中，狀態並不一定非要是音素，狀態可以比音素長，也可以比音素短。每個狀態通過它的GMM可以輸出一個特徵向量（如MFCC向量），整個HMM就可以輸出整段語音的特徵向量序列了。

孤立詞識別系統的訓練是這樣進行的：對每一個候選詞，錄製若干次發音並提取特徵向量序列，用這些特徵向量序列來訓練HMM（這是HMM training問題）。在測試時，依次用每個候選詞的HMM測量待識別語音的特徵向量序列的似然值（這是HMM evaluation問題），並與各候選詞的先驗概率相乘得到後驗概率，選擇後驗概率最大的候選詞。

謝邀，這個問題比較複雜，建議去找一本書看看，比如黃學東的自動語音處理等