一旦初始的模型集被创建后， HERest使用整个训练集来执行"嵌入式训练（embedded training）"，HERest将对全部HMM音素集模型执行一次Baum-Welch，同时重估这些模型的参数。对于每条训练语句，此训练数据包含的相应的音素模型(HMM)将会被连接起来(形成一个大HMM)。前向-后向算法将对序列中（哪个序列？）的每个HMM模型累加状态占有率(.OCCS file？)、均值、方差等统计信息。当处理完所有的训练数据后，累加的统计量将被用来计算模型的参数重估值（为何要处理完才能计算，mdl模型的结构是什么？猜测是一个大型的HMM）。HERest是HTK训练工具的核心。其被设计用来处理大规模的数据库。也可以很方便地使用裁减策略来减少运算量。能够在网络中并行执行（译者注：可将训练数据分成多份，同时并行计算，然后使用累计的统计量重估模型）。