语音识别-音素的上下文建模

人的发音其实是个渐变过程，在从一个音素转向另一个音素时，会存在协同发音现象，包括同一个音节内部和不同音节的过渡。

本博客主要看洪青阳教授写的《语音识别：原理与应用》而写的笔记。

协同发音

协同发音是指一个音受前后相邻音影响而发生变化。如”好好学习“的“好好”。因此同一个音素在不同位置，发音差异可能较大。

中文： 好 好

音节： hao3 hao3

音素：h ao3 h ao3

每个字都是一个音节，音节内部有发音衔接，音节之间也是有衔接的，其体现就是在语谱图过渡阶段存在交叉。

上下文建模

为了更好地匹配协同发音现象，需要对音素进行上下文建模。

双音子建模

针对普通话，单个音节只有声母和韵母，音节内部最多只能进行双音子建模，也就是只考虑音节（单个字）内部声母和韵母之间的关联，如“灯“的拼音deng，本来是分为d和eng两部分，可拆分成以下两种形式：

deng d+eng

deng d-eng

d+eng表示发音偏向于d，但后面衔接eng；

d-eng表示发音偏向于eng，但前面是d。

假设声母和韵母之间均可以两两组合，则普通话（不带声调）就有27（声母）x38（韵母）x2=2052个双音子，英语有28（辅音）x20（元音）x2=1120个双音子。

三音子建模

三音子建模比双音子建模多一个音子，其根据左右音素来确定发音，形成上下文相关的模型。如”打开灯光“的拼音，可转换为：

d-a+k

k-ai+d

d-eng+g

g-uang+sil

（sil为静音）

三音子可实现对音素上下文更精细的建模，但其数量巨大，例如：

• 普通话：27（声母）x 38（韵母） x 29（声母+sil/sp）=29754个
• 英语：28（辅音） x 20（元音）x 30（元音+sil/sp）=16800个

如果不考虑音素的先后顺序，则N个音素有$N^3$种组合，这还是没考虑声调的情况。

为了解决这一矛盾，可采用模型状态绑定，就是让不同的HMM状态共享模型参数，这样参数量就可大为减少。

绑定的目标就是把发音相似的音素聚在一起，对于普通话是相似的声母、韵母，而对于隐喻是相似的元音、辅音。

状态绑定方法一般使用决策树聚类。

决策树用于音素对音素或音素状态进行聚类

例如，我们给一个音素聚类的例子，输入是音素集合{g,d,t,b,p,k,m,n}，通过判断是否为声母、鼻音、塞音，把该集合分成鼻音集合{m,n}和塞音集合{g,d,t,b,p,k}。

每一个叶子节点都是相近音素的集合。

而决策数的生成是基于问题集判断的，问题集说明了这些音素之间的相似性，只有相似才可能合并。

问题集

问题集可以手工设计，也可以通过数据驱动自动生成。

手工设计

需要语言学知识。总体原则是发音相似的，归为一类，尽可能精细化。下面是部分音母的分类。

然后用以下部分声母问题集，我们就可以对音素每个状态建立决策树。

而决策树的叶子节点是相似三音子的聚类，如第一个叶子节点包含d-a+m和b-a+n，均为音素a生成的三音子。同时上下文环境发音类似，它们的中间状态共用观察值概率分布。

以上决策数是只针对音素的中间状态建立的，其他状态需要另外的决策树。例如普通话单音子音素（对应三音子的中间音素）有65个，每个音素有3个状态，则需要195棵决策树。

自动生成

自动生成问题集，是一个无监督过程，完全依赖于训练数据。

基本思路：计算这些数据由聚类前后的状态集产生的似然概率差异，看是否有增益。

一开始，所有的三音子的所有状态都归为一类，并且假定每个状态的观察值概率都符合高斯分布。
设 S = { s 1 , s 2 , s 3 , . . . , s N } S=\{s_1,s_2,s_3,...,s_N\} S={s1​,s2​,s3​,...,sN​}为一个分类的状态集，N为所有的状态数，状态集整体的均值和方差为${\mu }_s$和${\Sigma }_s$。设 X = { x 1 , x 2 , x 3 , . . . , x T } X=\{x_1,x_2,x_3,...,x_T\} X={x1​,x2​,x3​,...,xT​}为训练数据集，T为所有的帧数。t时刻处于状态$s_n$的概率为${\gamma }_t(s_n)$，${\gamma }_t(s_n)$可在帧与状态对齐时，由前向后向算法得到，只需计算一次。
整个数据集X由状态集S产生的似然概率为：
$$L(S)=\sum _t[lnP(x_t|{\mu }_S,{\Sigma }_S)\sum _n{\gamma }_t(s_n)]$$
针对高斯概率魔都函数$P(x_t|{\mu }_S,{\Sigma }_S)$，可展开如下：
l n P ( x t ∣ μ S , Σ S ) = l n ( 1 ( 2 π ) D 2 1 ∣ Σ S ∣ 1 2 exp ⁡ { − 1 2 ( x t − μ S ) Σ S − 1 ( x t − μ S ) T } ) = − 1 2 ( D l n ( 2 π ) + l n ( ∣ Σ S ∣ ) + ( x t − μ s ) Σ S − 1 ( x t − μ S ) T ) lnP(x_t|\mu_S,\Sigma_S)=ln(\frac{1}{(2\pi)^{\frac{D}{2}}}\frac{1}{|\Sigma_S|^{\frac{1}{2}}}\exp\{-\frac{1}{2}(x_t-\mu_S)\Sigma_S^{-1}(x_t-\mu_S)^T\})\\ =-\frac{1}{2}(Dln(2\pi)+ln(|\Sigma_S|)+(x_t-\mu_s)\Sigma_S^{-1}(x_t-\mu_S)^T) lnP(xt​∣μS​,ΣS​)=ln((2π)2D​1​∣ΣS​∣21​1​exp{−21​(xt​−μS​)ΣS−1​(xt​−μS​)T})=−21​(Dln(2π)+ln(∣ΣS​∣)+(xt​−μs​)ΣS−1​(xt​−μS​)T)
${\Sigma }_S$可计算如下：
Σ S = ∑ t { ( ∑ n γ t ( s n ) ) ( x t − μ S ) ( x t − μ S ) T } ∑ t ∑ n γ t ( s n ) \Sigma_S=\frac{\sum_t{\{(\sum_n\gamma_t(s_n))(x_t-\mu_S)(x_t-\mu_S)^T\}}}{\sum_t\sum_n\gamma_t(s_n)} ΣS​=∑t​∑n​γt​(sn​)∑t​{(∑n​γt​(sn​))(xt​−μS​)(xt​−μS​)T}​
进一步推导得到：
∑ t { ( x t − μ S ) Σ S − 1 ( x t − μ s ) T ∑ n γ t ( s n ) } = D ∑ t ( ∑ n γ t ( s n ) ) \sum_t\{(x_t-\mu_S)\Sigma_S^{-1}(x_t-\mu_s)^T\sum_n\gamma_t(s_n)\}=D\sum_t(\sum_n\gamma_t(s_n)) t∑​{(xt​−μS​)ΣS−1​(xt​−μs​)Tn∑​γt​(sn​)}=Dt∑​(n∑​γt​(sn​))
其中，D是数据特征的维度。

因此，我们有：
$$L(S)=-\frac{1}{2}(D(1+ln(2\pi ))+ln(|{\Sigma }_s|))\sum _t(\sum _n{\gamma }_t(s_n))$$
把状态集S分成两类，得到$S_L$和$S_R$，分别计算新的均值和方差。

分类后的似然增益：
$$\Delta =L(S_L)+L(S_R)-L(S)$$
如果$\Delta >0$,则说明状态集分类后有似然增益。

通过数据自动生成问题集的步骤如下：

1. 计算统计量：对于每帧语音𝑥𝑡，由其Viterbi对齐序列可以得知对应哪个音素 的某个状态。对每个单音子做上下文的扩展（如“a”=>“*-a+*”），得到三音 子某个状态𝑠𝑛 对应的特征序列，然后计算该三音子状态对应的统计量𝛾𝑡(𝑠𝑛)。
2. 音素状态聚类：首先将每个中间音素（如“*-a+*”）作为树的根节点，进行 二叉树分裂，根据所有可能的划分，分别利用似然度计算公式计算似然概率，得到能带来最大似然度提升的最优划分。然后不断的递归对节点进行二叉树 分裂，就可以得到一颗音素聚类的决策树。一旦某一层两个节点的最优划分带来的似然增益∆的值都小于设定的阈值，则该层终止分裂。
3. 终止分裂：最终形成一颗聚类树，每个叶子结点都包含不同的音素集合，一 个叶子结点就是被聚类后的一个类。
4. 生成问题集：从根结点开始，向下统计所能到达的所有叶子结点中包含的音素集合，把这个音素集合的统计集合作为一个问题集。

三音子模型训练

小结

本章针对协同发音现象，介绍了音素的上下文建模方法，包括双音子和三音子。

为了减少三音子模型参数，比较有效的方案是让不同模型状态共享概率密度函数。共享的原则是基于决策树，该决策树每个节点对应一个问题。

问题集的产生可人工设计，也可基于训练数据自动生成。自动生成是最常用的方案