这是由于上一个问题Hidden Markov Models - Distinct Observation Symbols和@pichenettes 的后续回答而想到的一个问题。
语音识别的一种方法是使用隐马尔可夫模型 (HMM) 来识别语音中的模式。离散 HMM 模型和连续 HMM 模型都已使用，但连续 HMM 方法似乎产生更好的结果。
在连续方法中，HMM 模型的“输入”是由处理后的语音帧构成的一系列向量。因此，在一定时间长度的块中处理语音会产生一些固定维度的向量，比如 N，N 的大小与帧长度直接相关。
我的问题是这样的：
帧长度（或者向量的维度，N）和导致用于识别的 HMM 模型的状态数之间是否存在关系？
预测语音所需的 HMM 模型的数量与 N 的大小之间是否存在关系？
帧的特征向量 N 的维度取决于频率范围和帧中的频点数。例如，对于 16khz 音频信号，通常采用从 40 个倒谱值创建的 39 个特征向量。对于 8khz，有 20 个倒谱值就足够了。
特征尺寸不等于框架长度。只要您及时捕捉到声音变化，帧长度可能会相当随意。帧长由语音信号变化的速度决定。有 10ms 的帧长度就足够了，尽管 20ms 和 5ms 的效果几乎一样好。如果您有 30 毫秒的帧，您将遇到问题，因为某些语音声音变化得更快。以激动的 r 为例。
不同 HMM 模型的数量（例如绑定电话检测器）取决于语音信号的多样性，取决于那里不同声音（时间音频模式）的数量。理想情况下，每种不同的声音都必须使用其自己的 HMM 模型更好地建模。状态的数量取决于训练数据库的大小和数据库的词汇量，而不是特征提取参数。您想要识别的单词越多，您需要的 HMM 模型就越多。
特征向量大小和帧长度与 HMM 模型中的状态数之间没有直接关系。