语音识别维特比解码_从语音识别的HMM模型的解码 到Viterbi算法的Token Passing实现...

1 从语音识别说起

语音识别是什么，通俗来说，就是输入音频，输出识别文字结果。基本方程如下

： 识别结果

W：任一单词(以孤立词举例说明)

O：输入的语音序列(Observation Sequence)

上述方程的变换应用了Bayes Rule.

等式右边是两项乘积，P(W)来自语言模型(Language Model， LM)， 常用的模型有 N-gram。 P(O | W)来自于声学模型(Acoustic Model， AM)，传统的语音识别系统普遍采用的是基于GMM-HMM的声学模型，其中GMM用于对语音声学特征的分布进行建模，HMM则用于对语音信号的时序性进行建模。具体介绍网上有很多通俗易懂的文章，这里暂不赘述。本文重点讲解声学模型中的解码问题，暂不涉及语言模型。

2 计算P(O | W) —— 解码

P(O | W)可以继续分解如下

P(O | W) = P(A, O | W)

其中A表示状态序列，O表示观测序列，a表示转移概率，b表示观测概率

如图，上方是状态序列(state sequence)(HMM)，下方是观测序列(observation sequence)。我们看到，states之间存在不同的转移方式，每个state针对observ