针对语音识别任务——10个数字的孤立词识别，分别使用GMM 和 HMM 建立对 0～9 十个数字的孤立词语音分类识别模型，给出python代码

下面是GMM和HMM在Python中的实现代码。在这里，我们使用librosa库进行语音信号的处理和MFCC特征提取，使用sklearn库进行GMM的建模，使用hmmlearn库进行HMM的建模。

GMM实现：

import librosa
import numpy as np
from sklearn.mixture import GaussianMixture

# 读取语音信号
y, sr = librosa.load('0.wav', sr=None)

# 提取MFCC特征
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)

# 训练GMM
gmm = GaussianMixture(n_components=5, covariance_type='diag')
gmm.fit(mfcc.T)

# 识别语音信号
y, sr = librosa.load('5.wav', sr=None)
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
score = gmm.score(mfcc.T)

HMM实现：

import librosa
import numpy as np
from hmmlearn import hmm

# 读取语音信号
y, sr = librosa.load('0.wav', sr=None)

# 提取MFCC特征
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)

# 训练HMM
model = hmm.GaussianHMM(n_components=5, covariance_type='diag')
model.fit(mfcc.T)

# 识别语音信号
y, sr = librosa.load('5.wav', sr=None)
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
score = model.score(mfcc.T)

在上面的代码中，我们以“0.wav”和“5.wav”作为例子，分别训练和识别数字“0”和数字“5”的语音信号。其中，GMM和HMM的参数可以根据需要进行调整。