HMMs，即 隐马尔科夫模型（Hidden Markov Models），是一种用于 语言信号处理的算法模型。它通过对语音信号的时间序列结构建立统计模型，将语音信号看作是一个数学上的双重随机过程：一个是用具有有限状态数的Markov链来模拟语音信号统计特性变化的隐含的随机过程，另一个是与Markov链的每一个状态相关联的观测序列的随机过程。

在语音识别系统中，HMMs常被用于建模每个可能的语音单元（如音素或单词），以捕捉这些单元的动态特性。HMMs能够表示一系列的状态及其之间的转移概率，以及从这些状态出发产生的观测值的概率分布。这种方法在连续语音识别（Continuous Speech Recognition, CSR）中尤为有效，因为它可以处理语音信号中的时变特性，如音素的发音变化、单词的发音长短等。

隐马尔科夫模型的核心思想是“隐含”，即在观测到的数据中并不直接包含状态信息，而是通过状态转移概率和观测概率来间接推断状态。这种模型在语音识别、自然语言处理等领域有着广泛的应用。