本文探讨了GMM-HMM算法在语音识别中的应用，阐述了声学模型如何将MFCC特征向量转化为音素输出。通过HMM的隐含状态和GMM的发射概率，实现对音素、单词乃至句子序列的最优识别。文章还介绍了从单音素到三音素模型的转换，以及状态绑定技术在减少模型数量中的作用。未来，DNN-HMM模型有望成为主流。
本文主要讲解一下GMM-HMM算法声学模型的大概思路！~~~
声学模型的目的是将经MFCC提取的所有帧的特征向量转化为有序的音素输出。概述如下：
我们都知道HMM模型里面有隐含状态概念。我们需要弄明白音素HMM模型的隐含状态与一个音素之间的关系，通常一个音素含有3到5个状态，如果一个包含代表一个音素的HMM模型有3个状态（1,2,3,4,5），在对应一个音素的状态序列可以有1122333455（共10帧），序列的状态数可以大于实际定义的HMM状态数，更具体的可以举例如下，
假如音素ah，每一帧用一个状态表示，但是连续多帧可以同属于一个状态，如下图所示，1-6帧同属于一个状态S1029，7-10帧同属于状态S124，11-16帧同属于状态S561：
GMM的作用：GMM主要是为了得到HMM求解过程的发射概率。
HMM的作用：就是根据各个概率得到最优的音素，单词以及句子序列！~~~
最低0.47元/天 解锁文章
扫一扫
1063
到【灌水乐园】发言
