Hexo

• 音素：单词的发音由音素构成。对英语，一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集，参见The CMU Pronouncing
  Dictionary。汉语一般直接用全部声母和韵母作为音素集，另外汉语识别还分有调无调
• 状态：这里理解成比音素更细致的语音单位就行啦。通常把一个音素划分成3个状态。
• 若干帧语音对应一个状态，每三个状态组合成一个音素，若干个音素组合成一个单词

语音识别是怎么工作的呢？实际上一点都不神秘，无非是：

• 把帧识别成状态（难点）。
• 把状态组合成音素。
• 把音素组合成单词。

参考

https://www.zhihu.com/question/20398418