GMMHMMmodellen

GMMHMMmodellen är en statistisk modell som används inom automatiskt taligenkännande. Den kombinerar Gaussian Mixture Models (GMM) för att beskriva akustikens kontinuerliga observationer och Hidden Markov Models (HMM) för tidsmässig struktur.

HMM består av tillstånd som representerar fonem eller subfonetiska enheter; varje tillstånd har en emission distribution som är en GMM. GMM ger en kontinuerlig sannolikhet för indata givet tillståndet; en blandning av flera Gaussiska komponenter med vikter, medel och kovarianser används för att modellera komplexa fördelningar av akustiska feature-värden.

Träning sker vanligtvis med maximal sannolikhet genom Baum-Welch-algoritmen (en form av expectation-maximization) för att uppskatta övergångsprobabiliteterna mellan tillstånden och parametrarna i varje tillstånds GMM. Avkodning görs ofta med Viterbi-algoritmen för att hitta den mest sannolika stato-sekvensen givet observationerna. Vanliga funktioner som används som indata inkluderar MFCC eller PLP, och modellen kan utökas med kontextberoende triphone-tillstånd.

Historiskt spelade GMMHMMmodellen en dominerande roll inom taligenkänning från slutet av 1980-talet fram till början av 2000-talet, ofta i kombination med transformeringstekniker som fMLLR och olika parameteröverföringar. Programvaruverktyg såsom HTK och tidiga versioner av Kaldi användes för träning och avkodning av GMM-HMM-modeller.

Begränsningar i GMMHMM-modellen inkluderar begränsningar i att fånga långa beroenden och akustiska variationer, beräkningskomplexitet samt risk för överanpassning. Med utvecklingen av djupa neurala nätverk och hybrid DNN-HMM-modeller ersattes eller kompletterades GMMHMM i många tillämpningar, även om kunskap om dess struktur och träning fortfarande är grundläggande för historisk förståelse av talteknik.