1 从语音识别说起
语音识别是什么,通俗来说,就是输入音频,输出识别文字结果。基本方程如下
: 识别结果
W:任一单词(以孤立词举例说明)
O:输入的语音序列(Observation Sequence)
上述方程的变换应用了Bayes Rule.
等式右边是两项乘积,P(W)来自语言模型(Language Model, LM), 常用的模型有 N-gram。 P(O | W)来自于声学模型(Acoustic Model, AM),传统的语音识别系统普遍采用的是基于GMM-HMM的声学模型,其中GMM用于对语音声学特征的分布进行建模,HMM则用于对语音信号的时序性进行建模。具体介绍网上有很多通俗易懂的文章,这里暂不赘述。本文重点讲解声学模型中的解码问题,暂不涉及语言模型。
2 计算P(O | W) —— 解码
P(O | W)可以继续分解如下
P(O | W) = P(A, O | W)
其中A表示状态序列,O表示观测序列,a表示转移概率,b表示观测概率
如图,上方是状态序列(state sequence)(HMM),下方是观测序列(observation sequence)。我们看到,states之间存在不同的转移方式,每个state针对observation也有不同generate方式。可以想象