kaldi基础知识整理.docx

一语音识别的原理 1.1语音识别的过程 （1）基本构架 （2）语音识别的原理 语音识别过程就是输入一段语音信号，找到一串文字序列（字或词）的过程。 语音输入 Y =y1,y2,y3,...,yt 对应的标注 W =w1,w2,w3,...,wn 这个过程一般用概率来表示，用Y表示语音信号，用W表示文字序列，则是要解决下面这个问题： 公式1表示语音识别的目标是在给定语音输入的情况下，找到可能性最大的文字序列。由贝叶斯公式 得到公式2，由于P(Y|W )P(W ) /P(Y)是对每个句子进行计算的，而对每个句子来说P(Y) 是不变的，所以可以改写成公式3。 其中P(Y|W )称做观测最大似然概率，表示给定一个文字序列出现这条音频的概率，由声学模型计算可得；P(W)称做先验概率，表示出现这个文字序列的概率，由语言模型计算可得。 1.2知乎——张俊博的回答 首先说一下作为输入的时域波形。常见的mp3、wmv等格式都是压缩格式，必须转成非压缩的纯波形文件，比如Windows PCM文件，即wav文件来处理。wav文件里存储的除了一个文件头以外，就是声音波形的一个个点了。采样率越大，每毫秒语音中包含的点的个数就越多。另外声音有单通道双通道之分，还有四通道的等等。对语音识别任务来说，单通道就足够了，多了浪费，因此一般要把声音转成单通道的来处理。下图是一个波形的示例： 在开始语音识别之前，需要利用VAD技术把首尾端的静音切除，避免对后续的干扰。Voice Activity Detection （语音激活检测），能够区分传输语音信号中的语音信号和背景噪音，当然还能在通信中区分语音和静默段，避免带宽资源的浪费。声音分帧，把声音切成一小段一小段，每一小段称为一帧。如下： 图中，每帧的长度为25ms，每两帧之间有25-10=15ms的交叠，我们称为以帧长25ms、帧移10ms分帧。 波形在时域上几乎没有描述能力，须将波形做变换，常见的一种变换方法是提取MFCC特征，根据人耳的生理特性，把每一帧波形变成一个多维向量，这个向量包含了该帧语音的内容信息，这个过程叫做声学特征提取。实际应用中，声学特征不止有MFCC这一种，如PLP，PITCH。声音可以表示成一个12行（假设声学特征是12维）、N列的一个矩阵，称之为观察序列，这里N为总帧数。观察序列如下图所示，图中，每一帧都用一个12维的向量表示，色块的颜色深浅表示向量值的大小。 接下来就是要把这个矩阵变成文本。介绍两个概念： 1．音素：单词的发音由音素构成。对英语，一个常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集。汉语一般直接用全部声母和韵母（23个声母和24个韵母）作为音素集，另外汉语识别还分有调无调。 2．状态：比音素更细致的语音单位，通常把一个音素划分成3个状态。 语音识别是怎么工作的呢？ 1．把帧识别成状态（难点） 2．把状态组合成音素 3．把音素组合成单词（字典的作用） 图中，每个小竖条代表一帧，每一帧会提取一个特征，若干帧语音对应一个状态，每三个状态组合成一个音素，若干个音素组合成一个单词。也就是说，只要知道每帧语音对应哪个状态，语音识别的结果也就出来了。 那每帧音素对应哪个状态呢？有个容易想到的办法，看某帧对应哪个状态的概率最大，那这帧就属于哪个状态。比如下面的示意图，这帧在状态S3上的概率最大，因此就猜这帧属于状态S3。 通过语料训练，得到存有一大堆参数的声学模型，通过这些参数，就可以知道帧和状态对应的概率。 假设每一帧都会得到一个状态号，最后整个语音就会得到一堆乱七八糟的状态号。假设语音有1000帧，每帧对应一个状态，每3个状态组合成一个音素，那么大概会组合成300个音素，但这段语音其实根本没有这么多音素。如果真这么做，得到的状态号可能根本无法组合成音素。实际上，相邻帧的状态应该大多数都是相同的才合理，因为每帧很短。解决这个问题的常用方法就是使用HMM。 第一步，构建一个状态网络。 第二部，从状态网络中寻找与声音最匹配的路径。 这样就把结果限制在预先设定的网络中，避免了刚才说到的问题，当然也带来了一个局限，比如你假定的网络里只包含了“今天晴天”和“今天下雨”两个句子的状态路径，那么不管说些什么，识别出的结果必然是这两个句子中的一句。那如果想识别任意文本呢？把这个网络搭的足够大，包含任意文本的路径就可以了。但这个网络越大，想要达到比较好的识别准确率就越难，所以要根据实际任务的需求，合理选择网络大小和结构。 搭建状态网络，是由单词级网络展开成音素网络，再展开成状态网络。语音识别过程其实就是在状态网络中搜索一条最佳路径，语音对应这条路径的概率最大，称之为“解码”。路径搜索的算法是一种动态规划剪枝的算法，称之为“Viterbi算法”，用于寻找全局最优路径。 其中o1,o2,o3…o