语音笔记（1）

语音生成

对于人类来说发声是由多种器官合作发出。

 对于语音生成的过程可以简单理解成一个源滤波器的模型，发音由信号源（声门）经过滤波器（口腔、鼻腔、嘴型等）产生。其中浊音由声带振动引起，声音波形明显。清音声带不震动，波形类似白噪。

一些概念

1. 音素（phoneme）：也称音位，是能够区别意义的最小语音单位，同一音素由不同人/环境阅读，可以形成不同的发音。

2. 字素（grapheme）：音素对应的文本。

3. 发音（phone)：某个音素的具体发音。音素可具化为实际的音，该过程称为音素的语音体现。一个音素可能包含着几个不同音值的音，因而可以体现为一个音、两个音或更多的同位音。

4. 音节（syllable)：音节由音素组成。元音和辅音构成一个音节。在汉语中，除儿化音外，一个汉字就是一个音节。

5、共振峰：声门处的准周期激励进入声道时会引起共振特性，产生一组共振频率，这一组共振频率称为共振峰。

6、协同发音

在说一段话时，每个音会因为惯性作用，发每个音可能会受到前面后后面音的影响，这个影响就是协同发音的作用。

 7、音素抄本

上面时语音生成的过程及一些相关概念。

语音生成与语音识别

 语音感知

 一些与声学特征相关的物理特征

响度：响度是一种主观心理量，是人类主观感觉到的声音强弱程度，又称音量。一般来说，声音频率一定时，声强越强，响度也越大。相同的声强，频率不同时，响度也可能不同。频率的声强级与响度级的对应关系要等响度曲线查出。

 语音感知与语音识别

语音识别

语音识别的过程

对于语音的输入，会取一个长度为25ms的框，之后以10ms为长度向后移。所以一个1s的语言会取到100个框。

 声音信号的输入，会对一个框里的声音提取声谱图。将声谱进行过滤，之后进行log、DCT、MFCC

 语言识别常用的模型

 语音识别的评估

 语音识别框架如下图，将音频进行特征提取，将提取到的结果放到解码器中，根据声学模型、语言模型、发音词典最终识别出结果。