我发现与我的问题相关的最相似的问题是（simple speech recognition methods），但是由于已经过了3年而且答案还不够，我会问。
我想从头开始计算一个简单的语音识别系统，我只需要识别五个单词。 据我所知，此应用程序使用的音频功能更多的是MFCC，HMM用于分类。
我能够从音频中提取MFCC，但我仍然对如何使用这些功能生成HMM模型然后进行分类有一些疑问。
据我所知，我必须执行矢量量化。首先，我需要有一堆MFCC向量，然后应用聚类算法来获得质心。然后，使用质心执行矢量量化，这意味着我必须比较每个MFCC矢量并将其与质心的名称最相似。
然后，质心是HMM中的“可观察符号”。我必须向训练算法引入单词并为每个单词创建HMM模型。然后，给定一个音频查询，我与所有模型进行比较，我说的是概率最高的单词。
首先，此程序是否正确？然后，如何处理不同大小的单词。我的意思是，如果我训练了500毫秒和300毫秒的单词，我会引入多少可观察的符号来与所有模型进行比较？
注意：我不想使用sphinx，android API，microsoft API或其他库。
注意2：如果您分享更多最新信息以获得更好的技术，我将不胜感激。
答案 0 :(得分：2)
首先，这个程序是否正确？
矢量量化部分没问题，但现在很少使用。您描述了所谓的离散HMM，没有人用于语音。如果您希望连续HMM与GMM作为发射的概率分布，则不需要矢量量化。
然后，你专注于不太重要的步骤，如MFCC提取，但跳过了最重要的部分，如使用Baum-Welch的HMM训练和使用Viterbi的HMM解码，这是比使用矢量量化的状态的初始估计更复杂的训练部分。
然后，我该如何处理不同大小的单词。我的意思是，如果我训练了500毫秒和300毫秒的单词，我会引入多少可观察的符号来与所有模型进行比较？
如果您解码语音，您通常会选择与人类感知的部分音素相对应的符号。传统上每个音素需要3个符号。例如，对于3个音素，单词“one”应该具有9个状态，对于5个音素，单词“seven”应该具有15个状态。事实证明这种做法是有效的。当然，你可以略微改变这个估计。