Я знаю, как применить скрытую марковскую модель (HMM), когда у меня есть изолированная фонема. Мне просто нужно было бы создать несколько моделей HMM (по крайней мере, с 3 состояниями на модель), по одной для каждой фонемы, вычислить прямой алгоритм для всех из них и посмотреть, какое из них имеет наибольшую вероятность.
Но теперь у меня есть непрерывная база данных речи, фонемы помечены в каждом кадре (TIMIT). Как мне обучить HMM, чтобы он мог распознавать фонемы в непрерывной речи?
Вкратце: для непрерывного распознавания речи вы соединяете свои модели фонем в большой HMM, используя вспомогательные модели тишины.
Во-первых, вы можете обучать модели изолированным фонемам и применять их к непрерывной речи. Например, вы можете разделить тренировочное аудио на части в соответствии с существующими метками.
На этапе распознавания применение декодирования Витерби (наиболее вероятной последовательности скрытых состояний) к комбинированной модели эквивалентно распознаванию последовательности фонем. Для получения более подробной информации вы можете изучить соответствующую главу из книги HTK. .
Чтобы обучить HMM на непрерывных данных, вы также проделываете аналогичный трюк: объединяете отдельные модели фонем в большую модель для всего лежащего в основе предложения. Среда обучения найдет наилучшее соответствие между состояниями модели и звуком. Опять же, книга HTK содержит хорошее руководство по этому вопросу.
Распознавание фонем в базе данных TIMIT предоставляет полный обзор методов с большим количеством ссылок на статьи. Например, эта классическая статья описывает базовый метод контекстно-независимого распознавания фонем. .
