音素作为中间单元解决单词粒度建模稀疏性

声学模型要建模”给定单词序列，得到这段声音的概率”，但单词作为建模单元太大：任何一个单词的语音样本在训练数据里都是有限的，直接对单词建声学参数会严重稀疏。解决办法是把每个单词拆成音素序列，让声学模型转而对更小、可在不同单词间复用的音素单元建模，再用一个相对好统计的发音词典概率把音素序列和单词连接起来。这与[[贝叶斯定理拆解语音识别为两个可建模子问题]]是同一层逻辑的延伸：当某个建模粒度上数据太稀疏时，退一步找一个更细、可复用、组合数更少的单元，用组合的方式重建原始粒度的表达能力。