BW算法是对某一个HMM(一个音素)进行训练，需要该HMM对应的观察向量(一段音频)，如何让一段文本中的某个音素找到对应一整段音频中的一小段音频？需要用到对齐来找到所有的[音素-音频]的配对。
训练时也需要解码
1，设训练的一句话有n个音素，即n个HMM，即3n个状态。将这句话对应的音频平均地切分为n个片段(无环回的HMM)，每个片段有3个状态(无环回，否则一个HMM大于三个状态)
2，使用k-means算法，将每个状态对应的所有特征向量聚类为M个簇(这句话有3nM个簇)
3，为状态i中的每个簇计算均值、协方差矩阵和混合权重(即计算一个GMM，这句话有3nM个GMM)
4，用3中计算好的所有GMMs(3nM个)将这一段音频解码(维特比解码)为多个状态，多个HMM
5，重复上述2-4步直至收敛
hmm_chinese.pdf p59
在训练时用的是Viterbi算法，在识别时则用状态Viterbi算法处理状态级数据，用词汇Viterbi算法处理词汇级数据
识别过程
不考虑句法时，识别过程很类似连接词识别中的一次通过算法
将词汇表中所有词对应的所有音素的所有状态排成一排，读入一个待识别句子的语音数据，由维特比算法可得到一个最佳状态序列。得到状态序列后，可通过类似编译原理中的文法来得到对应的HMM序列。
声学模型(HMMs)表示的是各词内状态之间的转移
语言模型(n-gram)表示的是词之间的转移概率关系
解码时需要用到状态Viterbi算法和词汇Viterbi算法
一句话的识别过程需要在状态层与词汇层之前不断切换，状态层:为当前状态选择概率最大的几个下一状态，直至词的最后状态处；词汇层:为当前词选择概率最大的几个下一词。这样直至这句话的结尾，就得到了多条路径，每条路径包含两个信息:累积概率和回溯路径，选择多条路径中累积概率最大的那条路径，使用其回溯路径进行回溯，就得到了该句子的识别结果。