前一章所介紹的 DTW，大部分是用於語者相關（Speaker Dependent）的語音辨識，這一類的應用大部分需要使用者自行錄音，然後再以自己的聲音來比對之前錄好的語音資料，雖然在概念上很簡單，但是此方法比較適合同一位語者的聲音來進行比較，因此應用範圍比較狹隘，譬如目前手機 Name Dialing 等等。但是如果我們要做到語者無關（Speaker Independent）的語音辨識，最常見的方法，就是「隱藏式馬可夫模型」（Hidden Markov Models），簡稱 HMM。

HMM 是根基於統計的機率模型，特別適用於具有大量訓練資料的語音辨識系統，若以機率模型的類別來分，HMM 又可以分成兩大類：

• Discrete HMM：簡稱 DHMM，其中機率的算法完全是依靠查表法，而表格的取得則是靠大量語音資料的統計而得。
• Continuous HMM：簡稱 CHMM，其中機率的算法是根據連續的機率密度函數，例如 Gaussian Mixture Models（GMM）等等。這些機率密度函數都是靠大量的語音資料來建模（Modeling）所得，所用的方法大部分是 Maximum Likelihood Estimate（MLE）。

---

Data Clustering and Pattern Recognition (資料分群與樣式辨認)