语音识别模型

数字语音识别的基本步骤

数字语音识别的基本模型如下图所示。首先对语音进行处理之后，使用声学模型进行解码，之后将音节与词表进行匹配得到词序列，最后再使用语言模型得到语句。

在中间的过程中，通过解码后的音学信号序列得到词语序列。常规的方法是使用贝叶斯来计算词语的概率值。
假设$X$是声学信号序列，$W$是词语序列，那么贝叶斯公式为$P_{\Lambda }(W|X)=P_{\lambda X}(X|W)\frac{P_{\lambda W}(W)}{P(X)}$。在训练的过程中是要最大化$ma{x}_{\Lambda }{P}_{\Lambda }(W|X)$，在语音解码得到词语序列的时候则是最大化$ma{x}_W{P}_{\Lambda }(W|X)$。

语音识别模型

语音识别常用的模型包括动态时间规整(Dyanmic Time Warping)、矢量量化(Vector Quantization)、隐马尔可夫模型(Hidden Markov Models)。

隐马尔可夫模型

高斯混合密度分布刻画了语音状态（例如音素）以及语音状态之间的时序变迁的统计规律。基本的过程包含三步。

1. 评估：给定观测向量Y和模型，利用前向后向算法计算得分；
2. 匹配：给定观测向量Y，用Viterbi算法确定一个优化的状态序列；
3. 训练：用Baum-Welch算法(类似于EM)重新估计参数，使得得分最大。
   已知一个有限的离散状态序列 S = { q 1 , q 2 , … , q N − 1 , q N } S=\{q_1,q_2,\dots,q_{N-1},q_N\} S={ q1​,q2​,…,qN−1​,qN​}，从时间$t$到时间$t+1$，保持当前状态或迁移到另一个状态。从时刻$t$状态为$q_i$迁移到时刻$t+1$状态为$q_j$，概率为$a_{ij}=P(q_{t+1}=j|q_t=i),1\le i,j\le N$。这样就可以得到状态之间的迁移概率矩阵。
   $$A=[\begin{array}{ccc}{a}_{11}& a_{12}& \dots \\ a_{21}& a_{22}& \dots \\ \dots & \dots & \dots \\ a_{N1}& a_{N2}& \dots \end{array}$$