语音识别——基本概念简介

写在前面：做了3年的图像，没想到到了工作要转成语音了。所以既来之，则安之。从今天开始记录自己从零开始的语音领域的学习，希望利用入职前这两三个月的时间把基础知识打好吧O(∩_∩)O

一些基本的概念：

音素（phone）：语音的自然属性划分出来的最小语音单位。（可以理解为图像中的像素）。音素分为元音与辅音两大类。如汉语音节 ā（啊）只有一个音素，ài（爱）有两个音素，dāi（呆）有三个音素等。

注：

• 音素的第一部分与在它之前的音素存在关联，中间部分是稳定的部分，而最后一部分则与下一个音素存在关联，考虑前一音的影响的称为Bi-Phone，考虑前一音和后一音的影响的称为 Tri-Phone。
• 音素会被放在上下文中考虑，这样就形成了三元音素或者多元音素，称为senone。

音节（syllables）:由音素构成。音节是一个比较稳定的实体，因为当语音变得比较快的时候，音素往往会发生改变，但是音节却不变。

注：

• 中文中一般一个汉字是一个音节。
• 英文中用元音字母区分音节。

单词单元（音节）构成单词。单词在语音识别中很重要，因为单词约束了音素的组合。

单词和一些非语言学声音构成了话语（utterances），我们把非语言学声音称为fillers填充物，例如呼吸，um，uh，咳嗽等，它们在音频中是以停顿做分离的。所以它们更多只是语义上面的概念，不算是一个句子。

语音识别的过程：

特征→模型→匹配算法