标签：
“（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
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
标签：
原文地址：http://www.cnblogs.com/ansersion/p/4162605.html
