语音识别基本原理介绍--gmm-hmm中训练的完整版

看了几天了，结合之前看kaldi里的训练，现在我觉得可以稍微清楚的解释这个训练过程，后面的时间赶紧看解码部分。希望你可以有所收获。

这次我们从头开始，虽然mfcc特征大家都知道，但是为了完整性还是说下吧。希望这是最后一次写训练的过程。

1.数据准备我就不说了，直接说提特征，一般来说提mfcc特征。当然在gmm-hmm中一般都是mfcc特征。mfcc特征的具体流程，这里贴一张图，大家可以参考。htk或者kaldi里都有提特征的脚本，也有源码，相信这个应该都不算难事了。

这个过程也比较清楚，这里就不多说了。

2.这里的特征提完了，接下里就是训练的事情。这里先做初始化的步骤，第一个初始化就是高斯模型的均值和方差，这里我们就用整个训练数据集的均值和方差来代替。注意这里应该是单高斯模型，用单高斯模型对每一帧数据进行建模，记住是每一帧（这里可能有错，也许是利用某个状态的观察变量来建立一个高斯）。还有一个初始化就是隐马尔科夫的参数，一般对音素用三个状态，这里除了开始和结束的三个。静音用5个状态。下图是一个音素的例子：