Speech recognition 连续语音中音素识别的隐马尔可夫模型

当我有一个孤立的音素时，我知道如何应用隐马尔可夫模型（HMM）。我只需要创建几个HMM模型（每个模型至少有3个状态），每个音素一个，计算所有模型的前向算法，看看哪个模型的概率最大

但现在我有了一个连续语音数据库，每帧都有音素标签（TIMIT）。如何训练HMM，使其能够识别连续语音中的音素？

简而言之：对于连续语音识别，使用辅助静默模型将音素模型连接到大型HMM中

首先，您可以在孤立音素上训练模型，并将其应用于连续语音。例如，您可以根据现有标签对培训音频进行分块

在识别步骤，对组合模型应用维特比解码（最可能的隐藏状态序列）相当于识别音素序列。有关更多详细信息，您可以学习HTK手册中相应的内容

要在连续数据上训练HMM，您还需要做一个类似的技巧：将单个音素模型组合成整个基础句子的大型模型。培训框架将在模型状态和音频之间找到最佳对齐方式。同样，提供了一个很好的教程

---

提供了方法的完整概述，并提供了大量参考文献。例如，描述了一种与上下文无关的音素识别的基本方法。

好的，我明白了。所以这些静默模型不需要单独训练，对吗？通常，每个音素模型（包括静默）都是与其他音素模型一起训练完整的句子音频。将话语分块成音素可能非常耗时和浪费空间，而且确实不需要。很抱歉再次打扰您，但在培训步骤中，您说“将单个音素模型组合成整个基本句子的大型模型”。您只是让音素模型未经培训？它们最初没有经过培训，但在实际训练开始之前，使用估计的全局平均值和方差值初始化。请参阅“创建平启动单音扬声器”部分：