4.2 Estimation of the voicing-proba

4.2 Estimation of the voicing-probability for HMM states
The estimation of the voicing-probability P(v|s,j) at each HMM state s and mixture j can be
performed using the training data-set by Baum-Welch or Viterbi-style training procedure;
the latter was used here.
Given a speech utterance, for each frame t we have the spectral-feature vector yt and
corresponding voicing vector vt, resulting a sequence of {(y1,v1), ..., (yT,vT)}. The Viterbi
algorithm is then used to obtain the state-time alignment of the sequence of feature vectors
{y1, ..., yT} on the HMMs corresponding to the speech utterance. This provides an association
of each feature vector yt to some HMM state s. The posterior probability that the mixture-
component j (at the state s) have generated the feature vector yt is then calculated as

Kết quả (Việt) 1:

4.2 dự toán xác suất lồng tiếng cho các tiểu bang HMM Dự toán P(v|s,j) lồng tiếng-xác suất tại mỗi tiểu bang HMM s và hỗn hợp j có thể thực hiện bằng cách sử dụng huấn luyện tập dữ liệu bằng Baum-Welch hoặc các quy trình đào tạo theo phong cách Viterbi; sau này được sử dụng ở đây. Chúng tôi đưa ra một lời nói bài phát biểu, cho mỗi khung hình t có các tính năng phổ vector yt và tương ứng với lồng tiếng vector vt, kết quả là một chuỗi {(y1,v1),..., (yT, vT)}. Viterbi thuật toán sau đó được sử dụng để có được căn chỉnh thời gian nhà nước của các trình tự tính năng vector {y1,..., yT} trên HMMs tương ứng với lời nói bài phát biểu. Điều này cung cấp một hiệp hội mỗi tính năng vector yt s một số tiểu bang HMM. Xác suất hậu nghiệm mà hỗn hợp -thành phần j (tại bang s) đã tạo ra tính năng vector yt sau đó sẽ tính toán

Kết quả (Việt) 2:

4.2 Ước lượng thì giọng nói xác suất cho HMM khẳng
Việc ước tính P lồng tiếng xác suất (v | s, j) tại s mỗi tiểu bang HMM và hỗn hợp j có thể được
thực hiện bằng cách sử dụng tập dữ liệu được thiết lập bởi Baum-Welch hoặc Viterbi kiểu thủ tục đào tạo;
. sau này đã được sử dụng ở đây
cho một lời nói lời nói, đối với mỗi khung t chúng ta có quang phổ-feature vector yt và
tương ứng bày tỏ vt vector, kết quả là một chuỗi các {(y1, v1), ..., (YT, vT)}. Viterbi
sau đó thuật toán được sử dụng để có được sự liên kết nhà nước thời gian của chuỗi các vector
{y1, ..., yt} trên HMMs tương ứng với lời phát biểu bài diễn văn. Điều này cung cấp một sự kết hợp
của mỗi yt tính năng vector để một số trạng thái HMM s. Các xác suất hậu nghiệm rằng Hỗn Hợp
phần j (tại tiểu bang) đã tạo ra yt tính năng vector sau đó được tính như