语音识别中声学模型是重中之重，常用到的声学模型是GMM-HMM，本文记录下声学模型训练的细节。
下图是识别某个孤立字的GMM-HMM示意图。HMM部分是文字所占的音素以及其转移概率。语音帧通过已经训练好的GMM得属于某个音素的概率，如0.016。
问题是这样的一个模型怎么训练呢？
问题一、一段语音是怎么切割音素的，如’我‘的拼音是wo，我们按声韵母分开是：w o？
如果要训练w和o的分界点在哪我们不知道，所以HMM模型的训练就是问题。
这里使用EM算法，开始随机对语音分帧，例如平均分割语音，使用EM算法和前向后向算法（具体内容还需再熟悉）。
E 步是求出每一帧位于哪个音素，M 步是对于每个音素，找到它对应的所有帧，从这些帧的特征中估计音素模型的参数。
对齐之后就可以对每个状态进行GMM训练，之后循环E步M步。其中E步只要判断相邻音素的那一帧属于左边音素还是右边音素就可以了。
问题二、孤立词识别中的GMM-HMM和连续词识别中的GMM-HMM有什么不一样？
孤立词识别中每个词都有自己的GMM-HMM，也就是说虽然有的词包括有相同的音素，但是数据不共享。
大词汇量的训练中，是对音素建立GMM-HMM模型，所以数据共享。