语音识别基本概念

这篇文章主要是对CMU Sphinx系列教程的第一篇文章的主要内容做一些总结。学习某个知识，掌握这些知识的基本概念是必要的。不了解这些基本概念和他们的英文表述，对于代码（kalid）和论文的阅读都会存在一些障碍。对这些基本概念是否了解，是检验一个人是否入门语音识别的一个标志。

原文如下：

https://cmusphinx.github.io/wiki/tutorialconcepts/

语音构成

语音是一个连续的音频流，由大部分的稳态和小部分的动态组成，怎么对它进行建模呢。

语音可以认为是由多个词（word）构成，而每个词又是由多个音素（phones，在语言学中也称为 phonemes）构成。一个音素对应的波形（wave form）的声学特征的变化会受上下文，说话人等影响。需要被放到上下文中进行考虑，音素与音素相邻（过渡）部分可能比稳定部分蕴含更多的信息。所以，我们把一个音素分为几个不同的子状态（substates）。这就是多音素建模的思想。这些在上下文中的音素被称为三音素（triphones）甚至是五音素。三音素是常用的，对于三个状态也很好解释，音素的第一部分依赖于它的前一个音素，中间的是稳定的自身的部分，第三部分依赖于它的下一个音素。

波形中除了语音还有其他非语音的声音（non-linguistic sounds）,这些声音又被称为填充物（filler）。语音和非语音一起构成了语音片段（utterances）。在语音识别中，一个帧长可以认为是一段utterances。目前通用的语音识别方式如下：有一段波形，通过静音（silences）将它分割成若干个语音片段（utterances），然后识别每一个语音片段说的是什么

特征

用帧frames去分割语音波形，从帧提取特征，一般使用MFCC或FBANK

模型

在语音识别中有3个模型

1. 声学模型(acoustic model） 

表示某段语音是某个词或音素的概率。现在一般使用神经网络

2.发音词典(phonetic dictionary)

发音字典包含了从词到音素的映射关系。

3.语言模型(language model)

语言模型用于限制词的搜索范围。定义了哪个词可以跟在前一个已经被识别出来的词的后面。最广泛使用的语言模型就是n-gram语言模型

解码器

解码器就是对以上3个模型构成的Lattice进行搜索匹配。一般使用WFST。Lattice是用于表示所有识别可能的有向图（directed graph）

特征、模型和解码器三部分构成了一个语音识别系统。

评价指标

-词错误率（Word error rate）

假设我们有一个原始的文本以及长度为N个词的识别文本。I是插入词（inserted words）的数量，D是删除词（deleted words），S表示替换词（substituted words）

WER=(I+D+S)/N

-准确率（Accuracy） 

Accuracy=(N−D−S)/N

-实时率(real time factor) 

度量自动语音识别系统解码速度的值。当实时率等于或小于1时我们说该处理是实时的。详见百度百科：https://baike.baidu.com/item/rtf/15874401?fr=aladdin

-ROC曲线

对于一个检测任务，检测会出现误报和命中两种情况。ROC曲线就是用来评价检测性能的。

 

参考文献

1. https://blog.csdn.net/xm1076709179/article/details/82218262

2. https://blog.csdn.net/zouxy09/article/details/7941055