概况
1. Word-hmm
一个词对应一个hmm的情况，对应的训练数据如果删除了开始结尾的静音数据的话，无需标注既可以训练。
常用训练流程：
HInit->HRest
对于训练数据较少而且需要较好的抗噪性，可以使用固定方差的模型。模型的方差可以使用HCompV进行估算，无需进行重估。
2. Sub-word hmm
对于phone级别的hmm训练，需要额外引入HERest命令，根据训练数据的类型可以分为两类训练方式：
1. 对于labelled的训练数据
HInit->HRest->HERest
由于有分段音素级别的标注，可以使用word-hmm的初始化方式，使用HInit和HRest单独的初始化每一个单独的phone。
2. 对于unlabelled的训练数据
HCompv->HERest
对于只有音素序列的标注，可以使用flat start的初始化方式，即HCompV将全局的均值方差初始化每一个phone的HMM，每一个训练语音都会被均分。
相关命令
HCompV：初始化高斯的均值和方差，使用训练语料的全局均值和方差
HInit：初始化高斯的均值和方差，使用viterbi估计
HRest：Baum-Welch重估高斯的均值和方差，isolated-unittraining
HERest：Baum-Welch重估高斯的均值和方差，embedded-unit training
HMMIRest：对HERest训练好的hmm进行区分度训练
HInit和HRest用于训练word级别的hmm；HCompVHRestand HERest或者HInitHRest and HERest用于训练sub-word连续模型。
1. HInit
1. 初始化模型参数
对于每一条训练语音，按照标注平均分配对应的帧到hmm，由此可得到每个hmm对应的均值和方法以及对应的转移矩阵。
对于混合高斯：每一个特征vector对应于得分最高的的高斯模型，每个高斯模型对应的vector的个数作为该高斯模型的weight。Uniform segmentation的时候使用k-means算法将特征的vector归类到对应的state
2. Viterbi搜索迭代
首先，使用viterbi算法找到每一条训练语句对应的状态序列，重估HMM的参数；使用viterbi对齐状态以后可以计算出训练数据的似然值，可以依次迭代运行下去，直到似然值不再增加。
2. HCompV
使用HInit初始化的的局限性在于需要提供labelled的训练数据。对于没有labelled的数据，HCompv可以使用全局的均值和方差来初始化hmm。所有的hmm的参数都一样，使用全局的模型参数。
3. HRest
适用于对孤立单元的hmm进行重估，整体流程和HInit类似，不同之处在于：
1. 输入的HMM已经完成了初始化。
2. 使用前后向算法估算，而不是维特比。优势在于：
维特比搜索使用的是硬判决，每一帧严格对应于某一个state；前向后向算法使用的软判决，每一帧得出的是该帧对应于某一状态的概率。
4. HERest
用于embedded training，使用全集的训练数据同时更新所有的hmm。
首先将语音对应的标注进行hmm展开；然后利用前后向算法对参数进行更新。
