㈠ 声学模型GMM-HMM
在语音识别中，HMM的每个状态都可对应多帧观察值，观察值概率的分布不是离散的，而是连续的，适合用GMM来进行建模。HMM模块负责建立状态之间的转移概率分布，而GMM模块则负责生成HMM的观察值概率。
模型自适应： 由于各地口音、采集设备、环境噪声等音素的差异，已训练过的GMM-HMM很可能和新领域的测试数据不匹配，导致识别效果变差，需要做自适应训练。
MAP(最大后验概率估计)： 算法本质是重新训练一次，并且平衡原有模型参数和自适应数据的估计。
MLLR（最大似然线性回归）： 算法核心思想是将原模型的参数进行线性变换后再进行识别，其优点是使用少量语音即可以对所有模型进行自适应训练，只要得到线性变换矩阵即可。
每个音素（或三音素）用一个 HMM 建模，每个 HMM 状态的发射概率对应一个 GMM。GMM-HMM 的目的即是找到每一帧属于哪个音素的哪个状态。GMM-HMM 的训练使用自我迭代式的 EM 算法，更直接的方式是采用维特比训练，即把EM算法应用到GMM参数的更新上，要求显示的输入每一帧对应的状态，使用带标注的训练数据更新GMM的参数，这种训练方法比Baum-Welch算法速度更快，模型性能却没有明显损失。
1、首次对齐时把训练样本按该句的状态个数平均分段。
2、每次模型参数的迭代都需要成对的使用gmm-acc-stats-ali和gmm-est工具。
3、进行多轮迭代训练后使用gmm-align-compiled工具通过其内部的维特比算法生成对齐结果。
单因子模型的基本假设是：一个音素的实际发音，与其左右相邻或相近的音素（上下文音素）无法。三因子结构中的每一个音素建模实例，都由其中心音素及其左右各一个上下文音素共同决定。无论是单因子还是三因子，通常都使用三状态的HMM结构来建模。为了解决三因子模型参数爆炸问题，将所有的三因子模型放到一起进行相似性聚类（决策树），发音相似的三因子被聚类到同一个模型，共享参数。训练脚本：steps/train_deltas.sh，目标训练一个10000状态的三因子系统：
1、以单因子为基础，训练一个5000状态的三因子模型
2、用5000状态的模型重新对训练数据进行对齐，其对齐质量必然比单因子系统对齐质量高
3、用新的对齐再去训练一个10000状态的三因子系统
phone-id：音素的 ID，参见 data/lang/phones.txt，强制对齐的结果不含 0（表示<eps>）和消歧符 ID；
hmm-state-id：单个 HMM 的状态 ID，从 0 开始的几个数，参见 data/lang/topo；
pdf-id：GMM 的 ID，从 0 开始，总数确定了 DNN 输出节点数，通常有数千个；
transition-index：标识单个 Senone HMM 中一个状态的不同转移，从 0 开始的几个数；
transition-id：上面四项的组合 (phone-id,hmm-state-id,pdf-id,transition-index)，可以涵盖所有可能动作，表示哪个 phone 的哪个 state 的哪个 transition 以及这个 state 对应的 pdf 和这个 transition 的概率，其中元组 (phone-id,hmm-state-id,pdf-id) 单独拿出来，叫 transition-state，与 transition-id 都从1开始计数。
关系：transition-id可以映射到唯一的transition-state，而transition-state可以映射到唯一的pdf-id，因此transition-id可以映射到唯一的pdf-id。pdf-id不能唯一的映射成音素，因此kaldi使用transition-id表示对齐的结果。
语音识别过程是在解码空间中衡量和评估所有的路径，将打分最高的路径代表的识别结果作为最终的识别结果。传统的最大似然训练是使正确路径的分数尽可能高，而区分性训练则着眼于加大这些路径之间的打分差异，不仅要使正确路径的分数仅可能高，还要使错误路径尤其是易混淆路径的分数尽可能低。
常用的区分性训练准则有最大互信息、状态级最小贝叶斯风险、最小音素错误。
分子：对于某条训练数据，其正确标注文本在解码空间中对应的所有路径的集合。
分母：理论上值整个搜索空间。通常会通过一次解码将高分路径过滤出来，近似整个分母空间，从而有效的减小参与区分性优化的分母规模。
词格（Lattice）：分子、分母其实都是解码过程中一部分解码路径的集合，将这些路径紧凑有效的保存下来的数据结构就是词格。
㈡ 有哪位大神能通俗易懂的解释下probit模型吗
对于那些在决策分析中寻求深入理解的朋友们，让我们一起来探索probit模型的奥秘，这个强大的工具是如何在离散选择模型中脱颖而出的。相较于广受欢迎的logit模型，probit模型的独特之处在于其随机扰动项背后的分布假设。简单来说，probit模型依赖于正态分布，而logit模型则依赖于逻辑斯蒂分布。想象一下，当我们面对一个典型的二分类问题，决策者的选择就像一场未被揭示的“贝努里实验”。在这个隐性世界中，有一个我们无法直接观测的潜在变量y*，决定着行为的发生。关键的区别就隐藏在这个潜变量的分布上。
在probit模型的框架下，这个潜变量的分布至关重要。其扰动项被假设为标准正态分布的累积密度函数（cdf），这赋予了它独特的特性。数学上，这个假设可以表示为：
其中，Φ是标准正态分布的概率密度函数(pdf)，而β'x则是模型参数和特征变量的线性组合。
利用最大似然估计(MLE)方法，我们可以优雅地估计参数β的值，从而使模型更加精准地预测决策者的倾向。probit模型的这种稳健性和理论基础，使得它在经济学、社会学和统计学等领域中得到了广泛应用。
总的来说，probit模型通过其正态分布的特性，为我们揭示了隐藏在选择背后的细微概率分布，提供了一种更为精细的决策分析工具。希望这个简明易懂的解释能帮助你更好地理解probit模型的魅力所在。