从头开始简单的语音识别

我发现与我的问题相关的最相似的问题是（简单的语音识别方法 https://stackoverflow.com/questions/8467589/simple-speech-recognition-methods）但是三年过去了，答案还不够，我会问。

我想从头开始计算一个简单的语音识别系统，我只需要识别五个单词。 据我所知，该应用中使用较多的音频特征是MFCC和用于分类的HMM。

我能够从音频中提取 MFCC，但我仍然对如何使用这些特征通过 HMM 生成模型然后执行分类有一些疑问。

据我了解，我必须执行矢量量化。首先，我需要一堆 MFCC 向量，然后应用聚类算法来获取质心。然后，使用质心进行矢量量化，这意味着我必须比较每个 MFCC 向量并用最相似的质心名称来标记它。

那么，质心就是 HMM 中的“可观察符号”。我必须将单词引入训练算法并为每个单词创建一个 HMM 模型。然后，给定一个音频查询，我与所有模型进行比较，我说这是概率最高的单词。

首先，这个程序正确吗? Then, 我如何处理不同大小的单词。我的意思是，如果我训练了 500 毫秒和 300 毫秒的单词，我需要引入多少个可观察符号来与所有模型进行比较？

注意：我不想使用 sphinx、android API、microsoft API 或其他库。

注2：如果您能分享更多最新信息以获得更好的技术，我将不胜感激。

首先，这个程序正确吗？

矢量量化部分还可以，但现在很少使用。您描述了所谓的离散 HMM，没有人将其用于语音。如果您想要使用 GMM 的连续 HMM 作为排放的概率分布，则不需要矢量量化。

然后，您专注于不太重要的步骤，例如 MFCC 提取，但跳过了最重要的部分，例如使用 Baum-Welch 进行 HMM 训练和使用 Viterbi 进行 HMM 解码，这些训练部分比使用矢量量化对状态进行初始估计要复杂得多。

那么，如何处理不同大小的单词。我的意思是，如果我训练了 500 毫秒和 300 毫秒的单词，我需要引入多少个可观察符号来与所有模型进行比较？

如果您解码语音，您通常会选择与人类感知的音素部分相对应的符号。传统上每个音素采用 3 个符号。例如，单词“一”应该有 3 个音素的 9 个状态，而单词“七”应该有 5 个音素的 15 个状态。这种做法被证明是有效的。当然，您可以稍微改变这个估计。