speech-recognition - 隐马尔可夫模型 (HMM) 中的三态电话模型

Question

我想问一下HMM中3态电话模型的含义。本案例基于语音识别系统中的HMM理论。因此，该示例基于 HMM 中语音的声学建模。

我从期刊论文中得到了这张示例图片: http://www.intechopen.com/source/html/41188/media/image8_w.jpg

图 1:声音/s/的三态 HMM

所以，我的问题是:

1. 3 状态是什么意思？
2. S1、S2 和 S3 究竟是什么意思？ (我知道它是状态，但它代表什么？)
3. 如何在这个 HMM 状态下表示/s/声音？
4. 为什么是 3？如果我们有 4 个、5 个或更多状态会发生什么？
5. 如果/s/只是一个简单的辅音“s/”的发音，那么状态和转换代表有什么用呢？

你们有这个理论的简单解释和例子(图形类比)吗？

谢谢

尼克

Answer 1

what is it mean by 3 state?

描述电话 S 的模型由树状态组成 - S1、S2 和 S3。

what actually S1, S2 & S3 mean? (I know it is state but it represent what?)

S1表示音素S开头的特征向量的概率分布，中间是S2，结尾是S3。概率分布本质上是特征向量的最可能值(电话的这部分听起来如何)和变化(变化的范围)。

How to represent the /s/ sound in this HMM state?

S 声音由整个 HMM 表示，而不仅仅是单个状态。

Why is it 3? what happen if we have 4, 5 or more state?

在连续语音识别中，电话声学受到前面音素和后面音素的影响。因此，将每部手机分为 3 个部分更为精确:一开始从上一部手机过渡，中间稳定，最后过渡到下一部手机。如果电话被隔离且稳定，1 个状态就足够了。也可以在连续语音中使用单个音素的 5 种状态，但这并不能大大提高准确性。

If the sound of /s/ is only a simple sound of consonant "s/", what is the used of the state and transition represent?

见上文。转换表示从一种状态移动到另一种状态的概率，本质上它模拟了手机的长度。