语音识别中LSTM如何输入13维MFCC特征的技术疑问

你完全不用纠结什么权重转置的问题——LSTM从设计之初就支持多维时序输入，你看到的一维输入示例只是最简化的教学版本而已。

针对你说的13维MFCC特征输入，核心逻辑是这样的：

• 你的输入数据格式应该是「时序步数 × 13」，也就是每一个时间步对应一帧语音的13维MFCC向量。
• LSTM的输入权重矩阵维度是「13 × 4×隐藏层维度」，这里的4对应输入门、遗忘门、细胞状态更新、输出门这四个核心门控。每个门控都会对当前时间步的13维输入做完整的线性变换，再加上对应维度的偏置（偏置是一维向量，维度和4×隐藏层维度一致，每个门控对应其中一段）。
• 你之前接触的一维输入，本质上只是「特征维度=1」的特殊情况，多维输入只是把每个时间步的标量换成了向量，门控的计算逻辑完全没变：每个门控都会把当前输入的所有特征维度加权求和，再结合上一步的隐藏状态计算门控值，进而更新细胞状态和隐藏状态。

到输出端时，LSTM最终的隐藏状态会接入一个全连接层，把隐藏层维度映射到音素的类别总数，再通过softmax得到每个音素的概率，最后取概率最高的索引作为输出的音素标识。

内容的提问来源于stack exchange，提问作者Anantha Krishnan