语音识别如何建模为HMM

语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。其中声学模型通常被建模为HMM。
输入的一段语音信号，通过特征提取之后，变成了特征向量的序列，也就是被转化为一个12行（假设声学特征是12维）、N列的一个矩阵，称之为观察序列。这里N为总帧数，每帧是12维向量。这也就是HMM中我们能得到的观测序列O.
一个单词的发音可以被分解为几个音素的序列，一个音素通常由3帧组成，其中一帧（一个12维向量）就对应一个HMM中的状态。所有帧就构成HMM中的状态序列I。
语音识别系统的任务就是：根据观察序列O，估计对应的状态序列I，再把状态组合成音素，再把音素组合成单词，最后得到单词序列。
学习问题：要训练模型，需要大量的（单词，发音）的训练样本，也就是完整语料，然后采用监督学习方法，使用最大似然估计，可以训练得到A、B、π参数。
解码问题：在语音识别系统的实际应用中，需要进行解码问题。（A,B,π）都是经过训练得到的。程序获取一段语音，作为观测序列O，然后计算最大概率的状态序列I，也就得到了识别结果。这一步通常使用维特比算法。
语音信号本身就是一个时间序列，并且前后状态具有明显的概率关系，所以很容易被建模为马尔科夫模型。

参考文献
[1]《基于HMM的语音识别技术原理》https://blog.csdn.net/weixin_42788078/article/details/107768893
[2]《语音识别系统的声学建模：隐马尔可夫模型》https://blog.csdn.net/liurong_cn/article/details/9812587
[3] 《统计学习方法》李航