qq_39573785的博客

构图和解码基于HMM的语音识别模型实际上是在解码图中寻找最优路径。因此，要进行解码，需要先构建解码图：# Graph compilationutils/mkgraph.sh data/lang_test_tg exp/mono0a exp/mono0a/graph_tgpr# Decodingsteps/decode.sh --nj 1 --cmd "$decode_cmd" \ exp/mono0a/graph_tgpr data/test_yesno exp/mono0a/decod

基本概念在经典语音识别框架中，一个声学模型就是一组HMM。对于语音识别框架中的声学模型中的每个HMM，都定义该HMM中有多少个状态，以及以各个状态起始的马尔可夫链的初始概率、个状态间的转移概率和每个状态的概率分布函数。在语音识别实践中，一般令初始概率恒为1，把状态间的转移概率预设为固定值，不在训练过程中更新状态转移概率。声学模型包含的信息主要是状态定义和各状态的观察概率分布。如果使用高斯混合模型对观察概率分布建模，那就是GMM-HMM模型，如果用神经网络模型对观察概率分布建模，那就是NN-HMM。HM

声学特征提取因为从语音时域信号中很难找到发音规律，即使是类似的发音，也可能看起来非常不同，因此一般不同直接用于识别。 事实上，我们的耳朵是通过频域而不是波形来辨认声音的，吧时域信号做短时傅里叶变换（Short-time Fourier Transform，STFT），就得到了声音的频谱。我们以帧为单位，根据听觉感知原理，按需调整声音片段频谱中各个片段的赋值，将其参数化，得到适合表示语音信号特性的向量，这就是声学特征（Acoustic Feature）。虽然在端到端语音识别研究中，也出现了一些直接输入语音波

数据分集数据采集自有声书网站，首先对每个句子做一遍语音识别，识别模型使用WSJ示例中的声学模型，语言模型使用二元文法，语言模型数据为语音数据对应的电子书文本。根据识别结果，统计每个说话人的WER，从低到高排序，前一半标记为clean，表示这些说话人语音比较清晰，其余标记为other。从clean数据中，随机抽取20名男性和20名女性作为开发集（dev-clean），剩余说话人抽取相同规模的测试集（test-clean），其余作为训练集。训练集随机分为100小时和360小时的子集（train-clean-

本文是对Kaldi中最简单例子egs/yesno/s5的实验记录。数据集使用数据集waves_yesno，该数据集只有yes和no两种发音。数据集没有文本文件，因为音频对应的文本都由wav文件的文件名所表示。例如1_0_1_0_1_0_0_1.wav中，1表示yes，0表示no。数据准备划分训练集和测试集把数据规范成Kaldi规定的数据文件夹格式# 运行local/prepare_data.sh waves_yesno后生成的结果# 其中local文件夹里的脚本是特别为该数据集编写的，

混合高斯模型1. 高斯分布如果连续标量随机变量xxx概率密度函数为：p(x)=1(2π)1/2σexp⁡[−12(x−μσ)2],(−inf⁡<x<inf⁡;σ>0)p(x)=\frac{1}{(2\pi)^{1/2}\sigma}\exp[-\frac{1}{2}(\frac{x-\mu}{\sigma})^2],\\(-\inf<x<\inf;\sigma>0)p(x)=(2π)1/2σ1​exp[−21​(σx−μ​)2],(−inf<x<i