HTK - HMMモデルと入力WAVファイルのMFCCは何を表していますか？

Question

HTK（隠れマルコフモデルツールキット）を使用してSpeech to TextシステムのVoxforge's tutorialに続いてMFCCを作成する際、私たちは電話機のプロトタイプモデルを定義する必要があります。私はこのファイルの周りを頭で囲んでいます。

~o <VecSize> 25 <MFCC_0_D_N_Z> 
~h "proto" 
<BeginHMM> 
    <NumStates> 5 
    <State> 2 
    <Mean> 25 
     0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 
    <Variance> 25 
     1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 
<State> 3 
    <Mean> 25 
     0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 
    <Variance> 25 
     1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 
<State> 4 
    <Mean> 25 
     0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 
    <Variance> 25 
     1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 
<TransP> 5 
    0.0 1.0 0.0 0.0 0.0 
    0.0 0.6 0.4 0.0 0.0 
    0.0 0.0 0.6 0.4 0.0 
    0.0 0.0 0.0 0.7 0.3 
    0.0 0.0 0.0 0.0 0.0 
<EndHMM> 

この場合、HMMのすべての状態を表すために、長さ25の特徴ベクトルを使用しています。しかし、すべての州に25の「手段」と「差異」がある理由はわかりません。彼らはすべての特徴ベクトルの平均と分散を表していますか？

さらに、なぜ5つで3つの州があるのですか？ <State>1と<State>5は入力と終了のポイントなので、MeanとVarianceは不要ですか？なぜ我々は26 coeffieinctsの代わりに25を持っているか、すべての「窓」について

0:  -15.769 -2.168 8.605 4.979 5.283 1.012 9.631 -0.619 3.622 10.977 
      5.733 3.260 44.447 -0.153 -0.281 -0.810 -1.176 0.363 -0.658 0.676 
      -1.569 1.363 -1.221 0.815 -0.759 1.427 
    1:  -18.345 -3.220 7.177 0.293 7.232 3.111 17.942 -6.957 8.197 6.579 
      9.102 -0.569 49.537 0.378 -0.337 -1.277 -1.709 0.623 -0.450 0.162 
      0.315 2.088 -1.175 0.624 0.762 1.018 
    2:  -15.244 -3.046 5.269 1.441 6.121 -3.326 8.854 -5.297 8.151 7.072 
      8.122 1.379 49.036 0.543 -0.119 -1.162 -1.263 1.261 -0.388 -0.234 
      0.816 1.195 -1.237 -0.288 1.600 0.244 
    3:  -14.143 -3.413 3.887 -1.796 7.981 0.930 10.826 3.294 11.797 7.055 
      7.661 8.011 47.243 0.613 -0.020 -0.568 -0.364 1.034 -0.165 -0.812 
      2.525 0.351 -1.670 -1.086 1.493 -0.716 
    4:  -15.156 -2.669 4.440 -0.293 11.213 0.162 12.020 -1.667 7.794 4.553 
      5.013 6.968 46.813 -0.050 -0.092 -0.050 -0.329 0.325 0.585 0.751 
      1.253 -0.008 -1.852 -0.845 0.058 -0.430 
    5:  -15.323 -3.510 4.750 -0.660 9.856 0.545 12.301 3.855 10.132 -0.511 
      5.224 4.104 47.068 0.073 0.151 0.163 -0.180 -0.186 -0.242 -0.335 
      -0.577 -0.479 -0.745 -0.167 -1.565 0.013 

：

はまた、サンプルwavファイルをしながら、私は以下のように表示されたMFCCを印刷しましたか？彼らは何を表していますか？

14-25デルタ係数

26も13数

ためのデルタCoeffieienctである

• 1-12はケプストラムCoeffiecientsあるしかし、私はそれぞれにどのような13数見当がつかない：私は信じていますこれらのサンプルは表す。これらは、最初に表示されたプロトタイプファイルに定義されている<MFCC_0_D_N_Z>のフォーマットである必要があります。はHTK Manualでよく説明されています。
  • MFCC_0：MFCC係数
  • _D：デルタ係数
  • _N：
  • _Z抑制絶対エネルギー：しかし、私はページそのマニュアルの80から集めることができますゼロ平均静的COEFがあります。

  いずれの説明も理解できます。

Answer 1

さらに、なぜ5つで3つの状態がありますか？ 1と5は単に出入り口なので、平均と分散は必要ありませんか？

はい、境界状態はダミーです。

すべての「ウィンドウ」について、なぜ25の代わりに26の係数を使用するのですか？彼らは何を表していますか？

MFCCタイプはTutorial step 5のようMFCC_0_Dであるので、これらは13 CEPSと13のデルタです：私は信じています。あなたはまた、正確なレイアウトを印刷するHList -o -hを使用することができます。

---------------------------------- Source: ar-03.mfc ----------------------------------- 
    Sample Bytes: 52  Sample Kind: MFCC_D_C_K_0 
    Num Comps:  26  Sample Period: 10000.0 us 
    Num Samples: 648  File Format: HTK 
-------------------------------- Observation Structure --------------------------------- 
x:  MFCC-1 MFCC-2 MFCC-3 MFCC-4 MFCC-5 MFCC-6 MFCC-7 MFCC-8 MFCC-9 MFCC-10 
     MFCC-11 MFCC-12  C0 Del-1 Del-2 Del-3 Del-4 Del-5 Del-6 Del-7 
     Del-8 Del-9 Del-10 Del-11 Del-12 DelC0 

MFCファイルに保存されている機能の種類は、HMMの訓練に使用される機能の種類と異なる場合があり、HMMの機能は、その場でMFCから計算さに応じてディスク上にがあり、計算するときにエネルギーを落として平均を正規化することで係数を2537に変換することができます（MFCC_0_D_N_Z）。

すべての州に25の「手段」と「差異」がある理由はわかりません。彼らはすべての特徴ベクトルの平均と分散を表していますか？

平均と分散は、HMM状態ごとのHMM放出分布のガウスパラメータであり、特徴ベクトルの平均ではありません。 HMMが何であるかを調べる。