关于HMM的连续语音识别.pdfVIP

基于HMM的连续语音识别 王风娜 HTK工具包http://htk.eng.cam.ac.uk HMM简述 基于HMM的连续语音识别 利用HTK构建连续语音识别系统 1、HTK 工具包 1.1、工具包框架 1.2、工具分类 HTK工具包是由若干带有特定执行功能的程序组 成。按照工具所完成功能的性质，可以将整个工具包分成 四个部分： 数据准备工具 模型训练和优化工具 识别工具 性能评估工具 1.2.1、数据准备工具 HDMan：利用各种数据源生成发音词典 HCopy：数据文件格式转换 HLEd：编辑标注文件 Hbuild：转换各种不同格式的代表语言模型的文件并输出标HTK 网格格式 HSGen：根据以标准HTK网格格式定义的词，网络自动随机产生 一组句子 HSLab：对语音标注文件进行标注的编辑器 1.2.2、模型训练和优化工具 HCompV：统计训练数据中的全局均值和方差 HERest：利用Baum-Welch算法对HMM模型进行嵌入式训练 HINit：HMM模型初始化 HRest：利用Baum-Welch算法对HMM模型进行一次训练 HHEd:直接对HMM进行各种编辑和优化操作.例如改变模型类型,上 下文相关建模,构造决策树,增加高司混合数等. 1.2.3、识别工具 HVite：基于Viterbi算法的词识别器 1.2.4、性能评估工具 HResults：HTK模型性能分析工具 HRec：评估结果输出 2、HMM简述 2.1HMM定义 模型初始状态 转移矩阵 { ,λ, }πA B 状态产生观测向 量的概率分布 2.2、HMM三个基本问题 1）、推理 已知观察序列O和模型 ，如何计算由此模型产 λ (P|O) λ 生此观察序列的概率 。 通过递归计算前向后向概率得到 2 ）、学习—如何根据观察序列不断修正模型参数使 max{ ( | )} P O λ 得 。 利用经典Baum-Welch算法，即EM算法 3 ）、识别 已知观察序列O和模型，如何确定一个合理的状态 序列，使之能最佳地产生O。 Viterbi算法 3、基于HMM的语音识别 3.1孤立词识别 1）、训练 2 ）、识别 3.2、连续语音识别 3.2.1、面临问题 连续语音句子中每个单词发音没有明显的界限， 分割困难； 协同发音影响； 语音信号随着说话人的语速差异及性别、生理因 素、心理条件、社会因素等等产生很大变化； 语言歧义性和语言结构的随意性。 3.2.2、模型结构 q 1 q 2 q 3 q 4 q 5 单个HMM模型 o o o o o 1 2 3 4 5