本文簡明講述GMM-HMM在語音識别上的原理，模組化和測試過程。這篇blog隻回答三個問題：
1. 什麼是？
2. GMM是神馬？怎樣用GMM求某一音素（phoneme）的機率？
3. GMM+HMM大法解決語音識别
首先聲明我是做視覺的不是做語音的，迫于**需要24小時速成語音。上網查GMM-HMM資料中文幾乎為零，英文也大多是paper。苦苦追尋終于貌似搞懂了GMM-HMM，本文結合最簡明的概括還有自己一些了解應運而生，如有錯誤望批評指正。
====================================================================
1. 什麼是？
ANS：一個有隐節點（unobservable）和可見節點（visible）的馬爾科夫過程（見）。
隐節點表示狀态，可見節點表示我們聽到的語音或者看到的時序信号。
最開始時，我們指定這個HMM的結構，訓練HMM模型時：給定n個時序信号y1...yT（訓練樣本）, 用MLE（typically implemented in EM） 估計參數：
1. N個狀态的初始機率
2. 狀态轉移機率a
3. 輸出機率b
--------------
在語音進行中，一個word由若幹phoneme（音素）組成；
每個HMM對應于一個word或者音素（phoneme）
一個word表示成若幹states，每個state表示為一個音素
---------------------------------------------------------------------
2.1 簡單了解混合高斯模型就是幾個高斯的疊加。。。e.g. k=3
2.2 GMM for state sequence
每個state有一個GMM，包含k個高斯模型參數。如”hi“（k=3）：
PS：sil表示silence（靜音）
其中，每個GMM有一些參數，就是我們要train的輸出機率參數
隻要已知了這些參數，我們就可以在predict（識别）時在給定input sequence的情況下，計算出一串狀态轉移的機率。如上圖要計算的state sequence 1->2->2機率：
我們獲得observation是語音waveform, 以下是一個詞識别全過程：
1. 将waveform切成等長frames，對每個frame提取特征（e.g. MFCC）,
2.對每個frame的特征跑GMM，得到每個frame(o_i)屬于每個狀态的機率b_state(o_i)
3. 根據每個單詞的HMM狀态轉移機率a計算屬于該詞的機率（如上圖最後一行）;那個詞的HMM跑出來機率最大，就判斷這段語音屬于該詞
宏觀圖：
(from Encyclopedia of Information Systems, 2002)
本文太過簡略，隻為科普。歡迎關注