语音识别一、语音识别介绍

语音识别就是将包含文字信息的语音通过计算机转化成文字的过程，也叫语音转写，英文叫automatic speech recognition(ASR)或者 speech to text(STT)，语音识别框架一般如图所示：

从上图中可以看出，语音识别技术是一个复杂的多学科交叉技术，涉及到信号处理、统计、机器学习、语言学、数据挖掘、生理学等知识。一个完整的语音识别系统声学方面和语言学方面。声学方面包括从最初的语音信号获取（这其中包括将语音转化成电信号）到语音信号处理（包括模数转换，降噪、增强、端点检测（VAD）等），再到特征提取（MFCC、FB、PLP、BN等），最后到声学模型建模；语言学方面包括字典（词典）构造，语言模型建模等。通过建立的声学模型和语言模型就可以对输入的测试语音进行解码，得到相对应的文字。

解码原理（基于最大后验概率MAP）

假设我们有一段语音$X$(通常是提取的特征),要得到对应的文本$W$，就是求使得概率$p(W|X)$最大的$W$的过程，即求

$$\overline{W} = argmax_W p(W|X)$$
利用条件概率公式和贝叶斯公式将上述公式转化为