ASR之声学模型的观测状态

这里的声学模型可以时候GMM-HMM或者DNN-HMM。

在HMM的模型中，我们隐状态和观测状态，比如下面的例子，

表情为观测，天气为隐状态，我们是在知道表情的情况下，使用viterbi算法去推测天气。

viterbi算法涉及3个概率，初始概率，转移概率，观测概率。上面的例子中就是给定天气的情况，观测到某个心情的概率。所以这里的观测状态很明确，就是心情。

所以输入 一些列的心情，输出是最有可能的天气序列。语音识别的任务中，输入语音数据，这里我们使用mfcc，输出是隐状态，隐状态是音素扩展而成的状态。而对于mfcc不同的人发同一个音不同，即使同一个人在2次发同一音的时候，mfcc也不同，那mfcc显然不能直接作为观测状态在HMM中使用。我们可以这么做，我们定义一组观测，O1, O2, O3, …. On。然后使用GMM对于mfcc进行建模，使得类似的mfcc作为输入得到相同的观测状态。这个过程其实是聚类。

这里有个问题，我们需要定义多少个O，也就是上面的n是多少？（这个问题暂且留在这里）

在HMM-GMM的训练中有个过程是对齐（alignment），就是寻找那些mfcc对应那个观测状态，找到后，将这些mfcc向量代入到GMM中却更新参数（均值，方差，单高斯系数）。

其实这图表达的不够准确，上面的S是隐状态（因为观测状态没有自环-self loop），而实际上，中间还需要画上观测状态O，mfcc也就是上图中小矩形，应该和O直接对应，而不是和S直接对应。