如何使用隐马尔可夫模型进行孤立词识别

Question

我正在尝试使用HMM构建非常基本的单词识别器，即鉴于单个单词的发音（不超过一个），我需要对其进行分类。到目前为止，我已经提取了音素级功能（MFCC）。更具体地说，对于每个音频信号，我都有一个（410 x 1）特征向量。但是现在我有点卡住了：

1. 我真的不明白如何将这些功能映射到HMM。我知道每个类都需要单独的HMM。
2. 我不确定代码书中应该有多少个代码字。

PS：我已经从Lawrence R. Rabiner（以及其他一些人）签出了this excellent write-up，但这个想法仍然有些含糊。

Answer 1

AFAIK，您可以为每个单词使用HMM。如果您想识别两个单词GOOD，MORNING，则至少需要2 hmms，每个单词代表GOOD，MORNING。使用Viterbi估计此HMM的参数

https://www.researchgate.net/publication/334506492_Viterbi_Algorithm_And_Its_Application_to_Indonesian_Speech_Recognition

或baum_welch（在rabiner的论文中。）>

如果您有这两个嗯，现在只计算总帧概率P（W | MFCCs，HMM_GOOD）和P（W | MFCC，HMM_MORNING），更好（更大）。

请咨询HTK书http://www.dsic.upv.es/docs/posgrado/20/RES/materialesDocentes/alejandroViewgraphs/htkbook.pdf

https://labrosa.ee.columbia.edu/doc/HTKBook21/HTKBook.html