（三）训练HMM模块

“（二）杂项准备"之后，我们就已经训练了一个hmm模型了——“hmm0”。

接下来，我们将以“hmm0”作为基础，一路训练到“hmm7"。

1、从“hmm0"训练到"hmm3"：

执行以下3条命令：

以hmm0为基础，生成hmm1
HERest -C ./config/config_color -I ./labels/phones_color.mlf -t 250.0 150.0 1000.0 -S ./config/train.scp -H ./hmm0/macros -H ./hmm0/hmmdefs -M ./hmm1/ ./lists/monoOffSP

以hmm1为基础，生成hmm2
HERest -C ./config/config_color -I ./labels/phones_color.mlf -t 250.0 150.0 1000.0 -S ./config/train.scp -H ./hmm1/macros -H ./hmm1/hmmdefs -M ./hmm2/ ./lists/monoOffSP

以hmm2为基础，生成hmm3
HERest -C ./config/config_color -I ./labels/phones_color.mlf -t 250.0 150.0 1000.0 -S ./config/train.scp -H ./hmm2/macros -H ./hmm2/hmmdefs -M ./hmm3/ ./lists/monoOffSP

以上命令完成之后，在hmm1、hmm2、hmm3目录下都会生成macros和hmmdefs

2、“特殊处理”hmm4，并生成hmm5：

（1）获得hmm4目录下hmmdefs文件：

perl ./scripts/fixSil hmm3/hmmdefs hmm4/hmmdefs

（2）复制hmm3目录下macros至hmm4目录下：

cp hmm3/macros ./hmm4/macros

（3）手动编辑sil.hed文件，并置于config目录下，sil.hed内容如下

AT 2 4 0.2 {sil.transP}  
AT 4 2 0.2 {sil.transP}  
AT 1 3 0.3 {sp.transP}  
TI silst  {sil.state[3],sp.state[2]} 

（4）生成hmm5：

HHEd -H ./hmm4/macros -H ./hmm4/hmmdefs -M hmm5/ config/sil.hed ./lists/monophones

此时，hmm5目录下会生成hmmdefs和macros

（5）去除mkphones_color.led最后一行，保存文件mkphones_color_HLEd.led至config目录下

HLEd -l '*' -d ./dict/dict_color -i ./labels/phones_color.mlf ./config/mkphones_color_HLEd.led ./labels/trainwords.mlf

3、从“hmm5“训练到"hmm7“：

以hmm5为基础，生成hmm6
HERest -C ./config/config_color -I ./labels/phones_color.mlf -t 250.0 150.0 1000.0 -S ./config/train.scp -H ./hmm5/macros -H ./hmm5/hmmdefs -M ./hmm6/ ./lists/monophones

以hmm6为基础，生成hmm7
HERest -C ./config/config_color -I ./labels/phones_color.mlf -t 250.0 150.0 1000.0 -S ./config/train.scp -H ./hmm6/macros -H ./hmm6/hmmdefs -M ./hmm7/ ./lists/monophones

 注：以上命令执行过后可能会有类似：“WARNING [-2331]  UpdateModels: sp[8] copied: only 0 egs”这样的WANGING，可以暂且忽略。

训练到“hmm7”，hmm模型就已经能达到不错的识别效果了，理论上来说，训练得越多，识别就会越精确。

若要训练hmm8、hmm9等等，只要参照以上的“HERest“命令即可。

不过，我打算就到此为止了。

让我们看看成果吧！

HTK Book涉及内容：

Chapter 3: 3.2.2 Step 7 - Fixing the Silence Models