GMM-HMM：包含3个状态，每个状态由一个GMM混合高斯分布(u，D，pi)，每个混合高斯分布包含pi个高斯函数
单个因素的训练过程
trainging训练阶段：
1. 每个triphone三音子对应一个GMM-HMM。训练时先对齐 找到每个triphone(GMM-HMM)的音频特征MFCC序列X，
2. 还要分别确定MFCC序列X里哪些序列属于当前GMM-HMM状态s1、s2、s3。
3. 确认好每个状态s（GMM）对应的特征序列后，即可由EM算法进行训练更新HMM-GMM的参数。
predict预测阶段：
1. 计算输入MFCC序列X属于每个GMM-HMM的概率，最大的概率即是预测得到的triphone三因子。
2. 计算X输入每一个GMM-HMM的概率时，同样先进行对齐alignment(确认X中哪些序列属于状态s1、s2、s3)，穷举所有的对齐方式，然后概率相加。
下图是一个示例计算GMM-HMM产生X的概率，列了２个对齐，a、b、c是HMM的三个状态。
来源：李宏毅2020语音识别课程
一个完整音频句子 GMM-HMM算法声学模型的大概思路！~~~
声学模型的目的是将经MFCC提取的所有帧的特征向量转化为有序的音素输出。概述如下：
我们都知道HMM模型里面有隐含状态概念。我们需要弄明白音素HMM模型的隐含状态与一个音素之间的关系，通常一个音素含有3到5个状态，如果一个 包含代表一个音素的HMM模型 有5个状态（1,2,3,4,5），在对应一个音素的状态序列可以有1122333455（共10帧），序列的状态数(10帧)可以大于实际定义的HMM状态数(5)，更具体的可以举例如下，
假如音素ah，每一帧用一个状态表示，但是连续多帧可以同属于一个状态，如下图所示，1-6帧同属于一个状态S1029，7-10帧同属于状态S124，11-16帧同属于状态S561：
GMM的作用：GMM主要是为了得到HMM求解过程的发射概率。
HMM的作用：就是根据各个概率得到最优的音素，单词以及句子序列！~~~
音素HMM模型
单词HMM模型：英文SIX（s ih k s）由4个音素组成，每个音素又由3状态的HMM构成（连接时头和尾状态要去掉），那么整个SIX的HMM就下图所示(Sb代表第一个音素‘s’的开始阶段的状态)：
句子的HMM模型也就是将所有的音素HMM状态进行串联起来。
贴个图，大家可以看一下
上面所说的是单音素（monophone）HMM模型，为了考虑上下文相关，通常采用三音素（triphone）模型，三音素HMM模型中HMM的个数比单音素更多；原本在英文识别中大概有50多个音素，单音素状态下，只需要建立50多个HMM模型，如果使用三音素模型将会出现几千个HMM模型！~~~如SIX在三音素模型中将s-hi， s-hi-k，hi-k-s，k-s, s ....,这样将所有的音素都按照关联构建三音素模型将造成HMM模型个数指数增长！为了压缩建模单元数量，状态绑定的技术被大量使用，它使得发音类似的状态用一个模型表表示，从而减少了参数量。状态绑定的技术可以使用专家手工编撰的规则，也可以使用数据驱动的方式。具体绑定形式如下图所示：
标签：状态,简要,GMM,模型,HMM,序列,音素 From： https://www.cnblogs.com/wieneralan/p/17439772.html