语音识别并不像你想象的那么复杂。

首先，想象一下创建一个进行文本识别的马尔可夫链 (MC)。您的程序读取一堆（完美，没有错误）文本并计算状态（单词）和状态变化（下一个单词）。听起来你已经搞定了。您现在可以生成文本，或者给定一些文本，使用 MC 的状态和转移概率预测下一个单词。

现在想象一下，您想将 MC 用于语音。您只需让人们阅读与您的 MC 相似的文本，然后您就准备好了，对吧？嗯......除了他们会以不同的方式发音：书面文字说“土豆”的地方，你实际上会听到“po-TAY-toh”和“po-TAH-toh”和“pu-TAY” -to”等。反之亦然：文本“ate”和“eight”代表两种不同的状态，但（通常）发音相同。

您的算法不再看到基本状态（单词），而是看到每个单词发音的概率分布。你原来的 MC 隐藏在发音后面，现在你的模型需要是两层的。

因此，您可以让很多人大声朗读您用于原始训练的文本，您可以获得每个单词的发音分布，然后将您的原始模型与发音模型结合起来，您就有了一个隐马尔可夫模型 (嗯）。

大多数现实世界的问题都是这样的，因为现实世界往往是嘈杂的。您实际上不会知道某物处于什么状态。相反，您将获得每种状态的各种指标：有时针对不同状态的相同指标（“ate”和“eight”），有时针对同一状态的不同指标（“pu-TAY-toe”和“pah-tah-TOE”）。因此，HMM 更适合解决实际问题。

[两个旁注：1）实际的语音识别工作在音素级别，而不是单词级别，2）我相信 HMM 是语音识别的王者，但最近被深度神经网络取代。]

基本上，HMM 是一种马尔可夫模型，其中状态不是完全可观察的，而是只能通过一些嘈杂的观察间接观察到。马尔可夫模型部分是一种在状态中施加时间依赖性的简单方法。相应地，HMM 有用的问题是状态遵循马尔可夫模型的问题，但您不直接观察状态。

您可以使用 HMM 执行各种操作。您可以做的一件有用的事情如下——给定到目前为止的一组嘈杂的观察结果，也许您想知道系统最可能的当前状态是什么。为此，您可以适当地将马尔可夫链结构与观察结果结合起来以推断状态。同样，您可以扩展它以从观察序列中推断出整个状态序列（这是标准的）。

在科学和工程中，这种模型一直被使用。例如，也许您正在录制像c 这样的简单动物的视频。线虫（蠕虫），它只有少数离散的行为状态。从视频中，您想用动物的行为状态标记每一帧。从单帧来看，标记算法有一些错误/噪声。但是，您也可以使用马尔可夫链建模时间相关性......如果在一帧中动物处于一种状态，则下一帧可能处于相同状态（也许某些状态只允许转换到某些其他州）。基本上，通过将嘈杂的单帧观察结果与转换结构（通过 HMM）相结合，您可以获得平滑且更好受约束的状态估计序列。

HMM 是一个混合模型。就像高斯模型的混合。除了马尔可夫链之外，我们使用它的原因是捕获数据模式更复杂。

类似于如果我们使用单个高斯来模拟有争议的变量，或者我们使用混合高斯来模拟连续变量。

我会用一个连续变量来演示这个想法：假设我们有这个数据

最好用 2 个高斯和不同的比例对其进行建模。在离散情况下这是“等价的”：我们构建了一个具有 2 个隐藏状态的 HMM。