[step 5]数据的特征提取
这里所用特征为MFCC。工具HCopy可以实现提取特征的工作。
创建文件夹：config
创建文件：config1（要设置的参数）
创建位置：config
创建内容：
创建文件：codetr.scp（制定训练输入和输出列表）
创建位置：根目录下
执行：
HCopy -T 1 -C .\config\config1 -S codetr.scp
执行结果，HCopy 对codetr.scp文件左侧的语音数据按 config 的配置提取特征并存入codetr.scp文件右侧特征文件中。
对于测试数据如法炮制：
HCopy -T 1 -C .\config\config1 -S codete.scp
创建文件：codete.scp
创建位置：根目录
注 ：由于附带的压缩包已经包括了特征文件（在.\data\*\feature 下），本步骤不用执行。
2.创建单音素HMM模型
涉及创建一系列单高斯单音素HMM的过程。
[step 6]一致初始化创建单音素模型
定义一个原始模型proto
创建文件夹：hmms/hmm0
创建文件：proto
创建位置：根目录
创建内容：
创建文件：train.scp（特征文件列表）
执行：
HCompV -C .\config\config1 -f 0.01 -m -S train.scp -M .\hmms\hmm0 proto
注：要把config1中的wav注释掉
注：也可以省掉-C参数，只要train.scp里是特征文件列表，并且特征是MFCC_0_D_A
生成文件：proto vFloors(截至宏)
生成位置：hmms/hmm0
手动制作：主宏文件（Master Macro File）hmmdefs（是由自己的proto生成）和与vFloors相关的macros（是由自己的vFloors生成），具体制作过程见HTK book。
注：HCompV工具的详细使用参考HTK BOOK P257
由于暂时不用sp模型，删去monophones1中的sp，构成monophone0文件，保存在lists文件夹下。
重新估计参数：
创建文件夹：hmms/hmm1
执行：
HERest -C .\config\config1 -I .\labels\phones0.mlf -t 250.0 150.0 1000.0 -S train.scp -H .\hmms\hmm0\macros -H .\hmms\hmm0\hmmdefs -M .\hmms\hmm1 .\lists\monophones0
同上，重复估计两次：
创建文件夹：hmms/hmm2 hmms/hmm3
HERest -C .\config\config1 -I .\labels\phones0.mlf -t 250.0 150.0 1000.0 -S train.scp -H .\hmms\hmm1\macros -H .\hmms\\hmm1\hmmdefs -M .\hmms\hmm2 .\lists\monophones0
HERest -C .\config\config1 -I .\labels\phones0.mlf -t 250.0 150.0 1000.0 -S train.scp -H .\hmms\hmm2\macros -H .\hmms\hmm2\hmmdefs -M .\hmms\hmm3 .\lists\monophones0
注：HERest工具的详细解释可以参考HTK BOOK P268
[step 7]修补哑音素模型
对sil模型加入回溯链，对sp绑定到sil的中间状态上。具体的，哑音素模型按下面两步执行。首先，修改hmm3\hmmdef，复制sil的中间状态为sp模型的唯一状态，另存到hmms\hmm4目录下。
sp模型内容：
创建文件夹：hmms/hmm5
利用 HHEd 加入回溯转移概率：
创建文件：sil.hed（指明sp绑定到sil中间状态）
创建位置：根目录
文件内容：
执行：
HHEd -H .\hmms\hmm4\macros -H .\hmms\hmm4\hmmdefs -M .\hmms\hmm5 sil.hed .\lists\monophones1
注：HHEd工具的详细解释可以参看HTK BOOK P272
修改mkphones0.led,去掉最后一行，存为 mkphones1.led，利用 HLEd 工具得到包含sp的音素级真值文本：
执行：
HLEd -l * -d .\dict\dict1 -i .\labels\phones1.mlf mkphones1.led .\labels\trainwords.mlf
重估两次：
执行：
HERest -C .\config\config1 -I .\labels\phones1.mlf -t 250.0 150.0 1000.0 -S train.scp -H .\hmms\hmm5\macros -H .\hmms\hmm5\hmmdefs -M .\hmms\hmm6 .\lists\monophones1
HERest -C .\config\config1 -I .\labels\phones1.mlf -t 250.0 150.0 1000.0 -S train.scp -H .\hmms\hmm6\macros -H .\hmms\hmm6\hmmdefs -M .\hmms\hmm7 .\lists\monophones1
我们先看看这时的识别率如何，执行如下命令：
创建文件夹：results
执行：
HVite -H .\hmms\hmm7\macros -H .\hmms\hmm7\hmmdefs -S test.scp -l * -i .\results\recout_step7.mlf -w wdnet -p 0.0 -s 5.0 .\dict\dict1 .\lists\monophones1
HResults -I .\labels\testwords.mlf .\lists\monophones1 .\results\recout_step7.mlf
识别结果：
通过分析识别输出文件recout_step7.mlf ，发现在每一句上都加上了SENT-START 和SENT-END 。这是与标注真
值文本无法完全吻合的原因，一个解决办法是在运行HResults 时加入-e 选项来忽略掉
SENT-START 和SENT-END ，
如下执行：
HResults -e ??? SENT-START -e ??? SENT-END -I .\labels\testwords.mlf .\lists\monophones1 .\results\recout_step7.mlf
上面的方案可以解决问题，但不是很完美。应该在获得的识别结果中（recount_step7.mlf）
不产生SENT-START 和SENT-END 才好。分析dict1 字典发现，对应SENT-START 和
SENT-END 的相关信息如下：
SENT-END sil
SENT-START sil
应该加入[] 以表示他们并不输出任何东西。把 dict1 字典另存为 dict2 并替换上面两行成
如下形式：
SENT-END [] sil
SENT-START [] sil
重新运行问题解决。相应的，HResults 的参数可以省掉-e 了：
执行：
HVite -H .\hmms\hmm7\macros -H .\hmms\hmm7\hmmdefs -S test.scp -l * -i .\results\recout_step7_2.mlf -w wdnet -p 0.0 -s 5.0 .\dict\dict2 .\lists\monophones1
HResults -I .\labels\testwords.mlf .\lists\monophones1 .\results\recout_step7_2.mlf
如下结果：