我刚刚在这里阅读了这篇文章（第一个答案）：
https://www.quora.com/What-is-a-hidden-Markov-Model-HMM-and-how-can-it-be-used-in-speech-recognition
我有点得到它，但并不完全。没有太过技术化：单词识别究竟有多少工作？
在帖子中，hmm应该识别音素/k/ /a/ /t/所代表的“猫”这个词。
所以让我们说hmm处于/ k /的状态。这意味着，它成功识别了/ k /，对吗？
它究竟如何识别/ a /？在/ k /下一个状态是/ a /之后有一定的概率，但是，e。 G。下一个状态是/ e /，对吗？
这些概率来自于在语料库中训练模型吗？因此，如果语料库中的大多数单词是/ ka /而不是/ ke /，则从state / k /到/ a /的概率高于从state / k /到/ e /？
以何种方式确定下一步它将进入/ a /的状态而不是/ e /？
它说音素是隐藏的部分......这是否意味着，我们无法看到，模型选择了哪个音素，我们可以看到它现在处于/ k /的状态？在处理完整个单词后，我们只能看到它选择了哪个音素，结果是否正确？
这意味着它只能从/ k /转到/ a /但是你无法保证找到正确的音素......？
我并不是想了解这个模型的细节，一般来说它是如何用于语音识别的。
答案 0 :(得分：0)
最好是阅读更多信誉良好的来源，而不是随机的Quora答案，以全面了解复杂的算法。例如，Rabiner的HMM教程是个好主意。您还可以查看Spoken Language Processing之类的教科书，该教科书为该主题提供了良好的描述。
语音识别中的可观察事件序列是音频帧序列。每帧大约是20ms的声音。不可观察事件的序列大致是音素序列。实际上它更复杂，但你可以想到音素。除了作为数学对象的HMM模型之外，关于称为维特比搜索的解码算法还有一个重要的部分，即根据概率找到可观察状态和隐藏状态之间的最佳匹配。该算法有效地评估所有可能的故障并找到最佳故障。最好的一个是解码结果。
所以让我们说hmm处于/ k /的状态。这意味着，它成功识别了/ k /，对吗？
在状态k＆＃34;中没有＆＃34;嗯。我们考虑第1帧并说它对应于＆＃34; k＆＃34;然后我们考虑第2帧并决定它是否对应于＆＃34; k＆＃34;，以及＃34; a＆＃34;或者＆＃34; e＆＃34;。为此，我们使用先前帧的先前状态以及帧2和所有三个状态之间的声学匹配。这种声学匹配通常用单独的模型估计，例如高斯混合模型，不要将它与隐马尔可夫模型混淆。两种模型都是从语料库中估算出来的。在我们为第2帧存储一些可能的决定之后，我们移动到第3帧以确定它是否属于任何预期的隐藏状态。请注意，我们没有保留1个最佳决策，但在途中有多个可能的决策，因为本地最佳决策（2对应于a）可能不是全局最佳（2对应于e）。在解码结束时，隐藏状态和可观察状态之间存在完全关系，我们可以使用HMM估计这种关系的概率。
它究竟如何识别/ a /？在/ k /下一个状态是/ a /之后有一定的概率，但是，e。 G。下一个状态是/ e /，对吧？
它将故障概率与该框架的GMM分数相结合，以更新故障概率，包括此新框架。 GMM分数表示音频与预期声音的匹配程度是多少？＆＃34; a＆＃34;并从数据库中接受培训。
它说音素是隐藏的部分......这是否意味着，我们无法看到，模型选择了哪个音素，我们可以看到它现在处于/ k /的状态？在处理完整个单词后，我们只能看到它选择了哪个音素，结果是否正确？
我们只能在处理完整个单词后看到音素。
这意味着它只能从/ k /转到/ a /但是你无法保证找到正确的音素......？
在本地你不能保证，你需要比较全局图片或至少在当前音素之后做一些迭代。这就是为什么你必须在搜索过程中保留多个解码结果，而不仅仅是最好的单一解码结果。