语音识别

2019独角兽企业重金招聘Python工程师标准>>>

产业：

Nuance：全球最大的语音识别技术提供商 
IBM：具有强大数学底蕴的老牌语音识别研究机构 
Microsoft：Vista操作系统中首次加入语音识别功能 
Google：凭借互联网方面的优势GOOG-411，音乐搜索

学术：

Cambridge：HTK工具对学术界研究推动巨大 
CMU：SPHINX-李开复 
 SRI，MIT，RWTH，ATR

语音识别实用化方面的两种论调 

悲观：缺少杀手级应用，与人类的语音识别水平还有很大差距 
乐观：Nuance能如此成功，计算机存储和运算能力的不断提高

语音识别各种具体应用

命令词系统 
识别语法网络相对受限，对用户要求较严格 
 菜单导航，语音拨号，车载导航，数字字母识别等等 
• 智能交互系统 
 对用户要求较为宽松，需要识别和其他领域技术的结合 
 呼叫路由，POI语音模糊查询，关键词检出 
• 大词汇量连续语音识别系统 
 海量词条，覆盖面广，保证正确率的同时实时性较差 
• 结合互联网的语音搜索 
 实现语音到文本，语音到语音的搜索

 

语音识别基本原理

贝叶斯统计建模框架（MAP/最大后验概率决策准则）

 

声学特征提取

简单来说， x是一个帧序列，而每帧就是一个多维向量

声学模型

声学单元应该具有的特性 
• 一致性：不同语音实例中相同的语音单元在声学上一致 
• 可训练性：建模单元需要足够的训练数据来进行参数估计 
• 可共享性：不同的建模单元之间共享某些具有共性的训练数据 
• 声学单元如何挑选？ 
• 句子(sentence): 科大讯飞实验室 
• 单词(word)： 科大-讯飞-实验室 
• 单字(syllable)： 科-大-讯-飞-实-验-室 
• 音素(phone)： k-e-d-a-x-un-f-ei-sh-i-y-an-sh-i 
• 考虑协同发音的三元音素(tri-phone)：ei-sh+i和an-sh+I 
• 精细建模和训练数据量之间的矛盾如何解决？参数绑定 
• 声学单元对应的模型形式应该是什么？ 
• 隐Markov模型（HMM），神经网络（NN） 

Markov过程和Markov链 
• 描述了一个最小记忆系统的随机行为

/**安德雷·安德耶维齐·马尔可夫**/

• HMM的几要素

 

HMM的两假设

1、一阶Markov假设

2、输出无关假设

HMM的三个问题 
• 评估问题 
• 给定HMM模型参数以及一串观测序列，如何求得观测序列的似然度 
• 解码问题 
• 给定HMM模型参数以及一串观测序列，如何搜索出最优的状态序列 
• 训练问题 
• 给定观测序列，如何得到模型参数

 

 

评估问题

运算量太大，需要寻找快速算法—前向算法（Forward Algorithm）

解码问题—Viterbi算法 

 

 

训练问题—最大似然估计 
• EM算法（ Expectation-Maximization Algorithm） 
• Baum-Welch算法/前后向算法（Forward-Backward ） 

 

语言模型

解码搜索 
• Viterbi算法 
• 时间同步和时间异步 
• 搜索空间裁减 
• N-best和Word-Graph 
 
• 对于命令词/孤立词识别网络，情况要简化很多 
• 对于每条命令词先扩展成HMM序列，然后计算得分 
• 选择得分最大的作为识别输出结果

语音识别的难点及其他相关技术介绍 
 
• 说话人的差异 
• 不同说话人：发音器官，口音，说话风格 
• 同一说话人：不同时间，不同状态 
• 噪声影响 
• 背景噪声 
• 传输信道，麦克风频响 
 
• 鲁棒性技术 
• 区分性训练 
• 特征补偿和模型补偿 

 

 

 

 

 

转载于:https://my.oschina.net/u/2352897/blog/687611