隐马尔可夫模型（Hidden Markov Model，HMM）是一种统计模型：系统背后有一串看不见的状态，按"只看前一步"的规则演变；我们只能看到每个状态随机吐出的结果，再反推状态。
打个比方。 朋友在隔壁房间，每天做一件事：散步、购物或打扫。你看不到他，只能看到他的朋友圈——散步的人多半发风景照，购物的人多半发商场照。看到一张地板照，你能猜"他今天大概在打扫"；连看几天，还能顺出他的状态轨迹。照片是观测，他实际在干嘛是隐状态。
HMM 只靠三样东西运转：初始概率（第一天更可能在干嘛）、转移概率（散步后多大概率去购物）、发射概率（散步时多大概率发风景照）。它还有两个强假设：今天的状态只与昨天有关，今天的观测只与今天的状态有关。假设够狠，换来的是动态规划的高效求解：前向算法算观测概率，Viterbi 算法反推最可能的状态序列，Baum-Welch 从数据里学参数（本质是 EM 的特例）。
和邻居们的区别
| 模型 | 隐状态 | 建模对象 | 一句话 |
|---|---|---|---|
| 马尔可夫链 | 无，状态可见 | P(状态) | 天气直接告诉你 |
| HMM | 有，离散 | P(观测, 状态)，生成式 | 只看照片猜天气 |
| 条件随机场（CRF） | 无 | P(状态｜观测)，判别式 | 能用全局特征，标注常更强 |
| 卡尔曼滤波 | 有，连续 | 线性高斯版 HMM | 状态是位置、速度这类连续量 |
语音识别的黄金年代
上世纪八九十年代到深度学习兴起之初，语音识别的主流就是 HMM：每个音素建一个 HMM，拆成三五个状态对应发音的起始、稳定、收尾；发射概率早期由高斯混合模型（GMM）估计，后来换成神经网络，也就是 DNN-HMM 混合系统。解码时用 Viterbi 在巨大的状态网络里搜一条最优路径，路径对应的文字就是识别结果。这套框架统治了三十年。
今天还在哪儿干活
端到端模型（CTC、RNN-T、注意力编码解码器）接替了主角位置，HMM 退到管道里继续上班：
- 强制对齐：给音频和已知文本打时间戳，用于字幕、发音评测、语音合成训练数据。
- 分词：不少分词器用词典加 HMM 兜底，专治词典里没有的新词。
- 序列标注基线：词性标注、命名实体识别、基因序列分析，常是最先跑通的那条线。
- 思想遗产：CTC 把所有对齐路径的概率求和，用的前向后向算法与 HMM 同一血脉。
对从业者和普通人的意义
HMM 把三个母题打包教给你：隐变量、动态规划、EM 训练。今天的对齐、CTC 解码、概率图模型，都是它们的变奏。对普通人来说，输入法能把"南京市长江大桥"切对、录音转写能给每句话标上时间点，背后就可能有个 HMM 在悄悄干活。