我刚看到这篇文章（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
我得到它，但不完全 . 没有太过技术化：单词识别究竟是如何工作的？
在帖子中，hmm应该识别由音素 /k/ /a/ /t/ 表示的单词"cat" .
那么让我们说hmm处于/ k /的状态 . 这意味着，它成功识别了/ k /，对吗？
它究竟是如何识别/ 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 /？
以什么方式确定下一个它将进入/ a /的状态而不是/ e /？
并且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 /到/ a /但你不能保证它找到正确的音素......？
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 .
1 回答
阅读比随机Quora答案更有信誉的来源更好地了解复杂的算法 . 例如，Rabiner的HMM教程是一个好主意 . 您还可以查看像Spoken Language Processing这样的教科书，它可以为主题提供一个很好的描述 .
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 .
没有“状态k中的嗯”这样的东西 . 我们考虑第1帧并说它对应于“k”，然后我们考虑第2帧并决定它是否对应于“k”，“a”或“e” . 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，不要将其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，我们在隐藏状态和可观察状态之间存在完整关系，我们可以使用HMM估计这种关系的概率 .
它将故障概率与该帧的GMM分数相结合，以更新故障概率，包括这个新帧 . GMM分数表示音频与预期的“a”声音的匹配程度，并且是从数据库中训练的 .
我们只能在处理完整个单词后看到音素 .
在本地你不能保证，你需要比较全局图片或者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个解码结果 .