AI-语音处理理论和应用-GMM-HMM

学习目标
   • 了解语音处理的基础知识及应用
   • 掌握语音处理的基本步骤
   • 掌握语音处理的主要技术
   • 了解语音处理的难点与展望

GMM-HMM
   GMM - HMM作用
      • 在对语音信号进行处理的时候,会把它转换成特征序列,一个多维的数字信号,如果使用梅尔倒谱系数的话一般有12-13维的维度,每一维上都是数字特征,GMM的的作用就是去拟合这样一个分布,用来描述一个状态的信号概率密度。
      • GMM的作用：
         • GMM主要用于求某一因素的概率；
         • GMM就是几个高斯模型的叠加，一般是3-5个；
         • 一个高斯模型就是一个正态分布，表征了信号的概率密度；
         • 语音识别中，一个word由多个音素组成，一个音素就是一个状态state，一个state对应一个高斯混合模型GMM；
         • 每个GMM中有K个模型参数；
         • （这里对应的是GMM，即每个状态对应的K个高斯的权值，每个高斯的均值向量和方差矩阵）；
      • HMM作用：
         • HMM进行语音建模：
            • 对每个单词建立一个HMM模型，需要用到该单词的训练样本，这些训练样本是提前标注好，即每个样本对应一段音频，该音频只包含这个单词的读音。
            • 当有了该单词的多个训练样本后，就用这些样本结合Baum-Welch算法和EM算法来训练出GMM-HMM的所有参数，这些参数包括初始状态的概率向量，状态之间的转移矩阵，每个状态对应的观察矩阵。
         • HMM在识别阶段：
            • 输入一段音频，如果该音频含有多个单词，则可以手动先将其分割开（考虑的是最简单的方法，孤立词识别），然后提取每个单词的音频MFCC特征序列，将该序列输入到每个HMM模型（已提前训练好的）中，采用前向算法求出每个HMM模型生成该序列的概率，最后取最大概率对应的那个模型，而那个模型所表示的单词就是我们识别的结果。
         • 获得语音wav文件， 以下是一个词识别全过程：
            • 将waveform切成等长frames，对每个frame提取特征（MFCC）。
            • 对每个frame的特征跑GMM，得到每个frame属于每个状态的概率state。
            • 根据每个单词的HMM状态转移概率a计算每个状态sequence生成该frame的概率; 哪个词的HMM 序列跑出来概率最大，就判断这段语音属于该词。