语音识别技术自学笔记

关键概念：

一帧信号通过傅里叶变换可以提取出频谱，频谱具有精细结构（反映音高，用处不大）和包络（反映音色，用处大）。

MFCC：梅尔频率倒谱系数，主要描述频谱包络。梅尔频率是基于人耳听觉特性提出来的， 它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。主要用于语音数据特征提取和降低运算维度（对于一个很多维（采样点）的数据，可以通过MFCC提取出其中最重要的几个采样点从而降低了数据的维度）。

识别一个未知语音之后，要通过计算其与模板（提前已知）的距离来判断语音是什么意思。比较这个距离，要用到DTW动态弯算法，让待识别语音中的每一帧与模板中最相似的一帧进行匹配，总距离即为各帧匹配后所得的欧氏距离之和。

GMM：高斯混合模型。如果每个词有多个模板，便可把模板训练成模型（将模板切割成多个段落），在采用GMM模型识别语音时，依然是采用动态弯算法，将欧氏距离代替为GMM概率密度，概率最大的模型即为识别结果。

HMM：隐马尔可夫模型。（具体意义见PPT）

Bigram：一个马尔可夫模型。音素HMM模型通过词典复合成单词HMM模型，再由单词HMM模型与语言模型复合成语言HMM。

现在的结构已经应用了神经网络，具体见PPT。

补充资料：https://www.zhihu.com/question/20398418