Скрытые марковские модели для распознавания фонем в непрерывной речи

Question

Я знаю, как применить скрытую марковскую модель (HMM), когда у меня есть изолированная фонема.Мне просто нужно создать несколько моделей HMM (по крайней мере с 3 состояниями на модель), по одной для каждой фонемы, вычислить алгоритм пересылки для всех из них и посмотреть, какая из них имеет наибольшую вероятность.

Но теперь яиметь базу данных с непрерывной речью, фонемы, помеченные в каждом кадре (TIMIT).Как я могу обучить HMM, чтобы он мог распознавать фонемы в непрерывной речи?

Answer 1

Короче говоря: для непрерывного распознавания речи вы подключаете свои модели фонем в большой HMM, используя вспомогательные модели тишины.

Прежде всего, вы можете обучать модели на изолированных фонемах и применять их к непрерывной речи.Например, вы можете разделить ваш обучающий звук в соответствии с существующими метками.

На этапе распознавания применение декодирования Витерби (наиболее вероятная последовательность скрытых состояний) к комбинированной модели эквивалентно распознаванию последовательности фонем.Для более подробной информации вы можете изучить соответствующую главу из книги HTK.

Чтобы обучить HMM на непрерывных данных, вы также делаете аналогичный трюк: объединяете модели отдельных фонем в большую модель для всего основного предложения.Обучающая структура найдет лучшее выравнивание между состояниями модели и аудио.И снова, HTK book предоставляет хороший учебник по этому вопросу.

Распознавание фонем в базе данных TIMIT предоставляет полный обзор методов со множеством ссылок на статьи.Например, эта классическая статья описывает базовый метод для распознавания фонемы, не зависящего от контекста.