走进语音识别中的WFST(一)

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/l_b_yuan/article/details/50876340

本人最近在研究语音识别的生成Graph和Lattice的模块,其中用到了WFST这个概念,惊叹于它的神奇也被它的复杂搞得晕头转向。于是决定静下心来仔细研读了Mohri大牛的Speech Recognition with Weighted Finite-state Transducer这篇论文和一些相关资料,算是入门了其中的算法,有些体悟在这里和大家一起探讨,也算是对自己近期学习的一个总结。本系列会先引入WFST的概念,然后介绍它的三大算法:Composition、Determinization和Minimization,最后介绍WFST在语音识别中的应用,即HCLG的操作。

首先先明确几个概念。有限状态转换器FST(finite-state transducer) 和加权有限状态转换器WFST(weighted finite-state transducer)的不同就是后者转移路径上附有权重;而WFST和WFSA(weighted finite-state acceptor)的区别就是前者的状态转移上的label既有输入又有输出而后者只有一个label。我们用WFST来表征ASR中的模型(HCLG),可以更方便的对这些模型进行融合和优化,于是可以作为一个简单而灵活的ASR的解码器(simple and flexible ASR decoder design)。
WFSA
WFST

WFST是基于半环代数理论的,在介绍半环之前我先简单的说一下群和半群。

群(Group):G为非空集合,如果在G上定义的二元运算*,满足:
(1)封闭性(Closure):对于任意a,bG,有abG;
(2)结合律(Associativity):对于任意a,b,cG,(ab)c=a(bc);
(3)幺元(Identity):存在幺元e,使得对于任意aG,ea=ae=a;
(4)逆元:对于任意aG,存在逆元a1a=aa1=e.
则称(G,*)为群。

半群(Semigroup):仅满足封闭性和结合律群称为半群;如果还包含幺元,则成为幺元半群。

介绍完群和半群,我们就引入半环的概念,半环代数理论始于19世纪末,属于抽象代数的范畴,1934年Vandiver首次对它做了较为系统的研究。

半环(semiring):指具有两个二元运算”+ “和” “的非空集合S,且满足:
(1)(S,+)和(S,)都是半群;
(2)(a,b,cS),a+bc=ac+bc,c(a+b)=ca+cb.
半环的表现形式是(K,, , ‘0’, ‘1’),其中K是一个数集,是两个二元操作,’0’和’1’是特定的(designated)零元素和幺元素(不一定是真正的数0和数1)。下表是一些常见的半环结构实例:
写图片描述
在文本和语音处理中最常用的的是后面两个,即log半环和tropical半环,前者是通过-log来映射而后者是在log半环的基础上使用了Viterbi Approximation(有大神能帮忙解释一下这个估计么…)
半环有一些简单的性质(这几个性质不是很好翻译,希望有大神提供~):
(1)weakly left-divisble:对K中任意的x和y,如果xy0,则至少存在一个z使得x=xyz
(2) is cancellative:如果z是唯一的,则z=xy1x
(3)zero-sum-free:对K中任意的x和y,如果xy=0x=y=0
概率半环,log半环和tropical半环都是zero-sum-free的。

定义了半环结构,就可以利用它来表征一个WFST了。知道这些字母的含义就可以看懂后面的伪代码了。
T=(A,B,Q,I,F,E,λ,ρ)
T表示一个在数集K上的WFST,
A表示一个有限的输入集,
B表示一个有限的输出集,
Q表示一个有限的状态集,
I表示一个有限的初始状态集IQ
F表示一个有限的结束状态集FQ
E表示一个有限的状态转移集EQ×(A{ϵ})×(B{ϵ})×K×Q,(输入输出可为空ϵ
λ表示初始状态的权重,ρ表示结束状态的权重,
E[q]表示离开状态q的所有状态转移的集合。

从状态转移的角度来看,如果一个状态转移 eE,则:
p[e]表示这个转移的出发状态,n[e]表示这个转移的到达状态,
i[e]表示这个转移上的输入label,o[e]表示这个转移上的输出label,w[e]表示这个转移上的权重值。
那么,一条路径(path)就是一连串的转移,π=e1ek 并且满足n[ei1]=p[ei],i=2,,kp[π]=n[e1],n[π]=n[ek]

定义完半环结构上的集合,那么接下来就是对它们的二元运算了。
一整条路径的权重w[π]等于各个状态转移上的权重相w[π]=w[e1]w[ek];
那么多个有限路径集合的权重w[R]就等于每条路径的权重相w[R]=πRw[π]

有了上面的基础,宏观的看一个规范的(regulated)WFST可以表示为:
这里写图片描述
其中,P(p,x,y,q)表示从状态pq,输入为x输出为y

定义完了一个WFST,下面就准备开始介绍三大算法啦~~~~码了好多字好累…

没有更多推荐了,返回首页

私密
私密原因:
请选择设置私密原因
  • 广告
  • 抄袭
  • 版权
  • 政治
  • 色情
  • 无意义
  • 其他
其他原因:
120
出错啦
系统繁忙,请稍后再试

关闭