一句「开灯」，
如何变成文字？
先让 GMM 听懂一小帧，再让 HMM 把声音连成一条路。
放慢过程，亲手看见一次语音识别。
声音很长，模型一次只看一小帧。
25 ms 的窗口，每次向前移动 10 ms。
相邻帧重叠，保留发音变化。
把密密麻麻的频谱，汇总成更接近听觉频带的能量。
这 12 个数描述一帧的谱形状。它们既不是文字，也不是音素标签。
“灯”的发音持续许多帧。每帧只包含一点局部证据，要把证据沿时间连起来。
这一帧，落在哪一团声音里？
每个状态都有自己的高斯混合分布。
分数高，表示该状态更容易产生当前特征。
拖动帧：橙色观测点和六个分数一起变化，训练好的分布保持不变。不是每帧重新训练，也不是六个状态共用一个 GMM。
每张图的椭圆来自该状态自己的模型；绿色 / 金色表示其两个高斯分量。六图使用相同、逐帧固定的坐标尺度。这里只画 C₁、C₂ 的二维投影，分数使用全部 12 维；浅色小点是这段语音的其他帧。
条形越长，分数越高。橙色标记当前帧的局部赢家；它不一定是 HMM 最终选择的状态。点选一张图或任意行，查看该状态内各分量怎样相加。
不是只选最近的高斯，而是把该状态内各分量的加权密度加起来。换帧时移动的是 xₜ；换状态时换的是 μₛₖ、Σₛₖ 和 wₛₖ。
不同音色、发音方式与发音阶段，会让相似的声音散落在不同区域。多个高斯能描述更复杂的分布。
分数要高，顺序也要合理。
HMM 限定状态之间怎样转移。
Viterbi 保存每条路径的最佳前驱。
第 1 帧 · 状态 1
先比较上一帧的路径，再加上当前帧的声学分数。
局部赢家可能来回跳动。HMM–GMM 寻找一整段语音中，声学分数与转移分数合起来最好的合法路径。
哪一句，最能解释这段声音？
给每个候选建立完整的状态路径。
比较路径分数，再加上上下文偏好。
这是实际计算得到的识别结果。
分数来自实际 GMM 密度与 HMM 路径计算；并非“准确率”。仅在相同输入、相同设置下比较三个候选。
这里用指令先验演示语言信息；真实大词表系统通常还需要发音词典、语言模型和搜索图。
先换掉 GMM 声学打分器，保留 HMM 状态、转移与 Viterbi 搜索。进入 DNN–HMM 对照页：看同一帧走两条路线 →
把“理解”变成一次小实验。
带着问题，进入端到端。
- GMM 的分量，是几个音素吗？
不是。一个状态内有多个高斯分量；它们描述该状态的声学分布。
- 为什么“隐藏”？为什么要自循环？
观测是声学特征，状态需要推断。自循环允许同一发音阶段占据不同数量的帧。
- Viterbi 和前向算法一样吗？
Viterbi 取最佳路径；前向算法累加所有路径。本演示用最佳路径近似候选语音似然。
这份演示如何计算？模型简化与参考资料
本页从预设语音波形提取 MFCC，实际执行对角协方差 GMM 密度计算和对数域 Viterbi 解码。模型用 4 种系统普通话音色、3 种语速、3 个指令，共 36 条合成语音训练；内置演示语音使用另一个语速。只支持预设示例，没有录音或上传入口；不是通用语音识别器。
每个双字指令使用 6 个从左到右的声学状态，三个状态对应一个字的声学阶段，采用 Viterbi 分段对齐及状态内 GMM EM 估计参数。阶段边界由模型学习，并非人工音素边界；大型传统系统通常采用音素或上下文相关音素状态、更多特征与大量真实训练语音。
GMM 显示的是条件概率密度 p(x | s)，不是 P(s | x)，密度也不必小于 1。图中二维椭圆只是投影；打分使用 12 维 MFCC（C₁—C₁₂，不含 C₀），使用训练集全局均值与标准差归一化。噪声加入实际波形后重新提取特征，播放的是同一段加噪语音。打乱实验只改变特征顺序，波形与播放保持原顺序；所有推断在浏览器本地运行。