我正在使用 python 中的隐马尔可夫模型构建语音识别系统。我提到了这个和这个问题及其答案，它们非常有帮助。

在我的方法中，我将连续的语音分成单独的单词。我正在考虑使用 HMM 来检测每个单词。所以我的 HMM 状态将是电话。

到目前为止我所理解的是，HMM 根据当前状态（电话）估计下一个状态。但我不知道如何估计 HMM 的第一个状态（即单词的第一个音素）。

你能建议使用 HMM 实现这一目标的最佳方法吗？

HMM 的状态也将是电话，但我没有得到什么可以观察到的问题？一个电话有多个帧，每个帧都有一个特征向量。我应该用什么作为观察？