截自”C:\Users\tellw\open_title\papers\books- Pattern Recognition in Speech and Language Processing.pdf”第355页

这张图描述的是语音翻译的数学原理，从语音X到源语言F再到目标语言E的概率计算，找到最高概率的目标语言文字序列。

实际上语音识别——声学模型+语言模型的数学公式就是P(X|W)P(W)，以中文语音识别为例，我们有一段中文语音，我们识别每一段文字音为一个拼音，做语音帧特征值到拼音的分类，找到最高P(X|W)的拼音序列，于是其他拼音序列的P(X|W)比这个拼音序列小，相同拼音序列的W的概率最大，语言模型找出最高存在概率的W使得整个式子概率最大。


根据我的理解画的语音识别模型的各部件处理流程图。

贴一下大哥梳理的语音识别模型各部件的情况：

语音识别模型通常由以下几个部分组成：

  • 前端处理器：将原始语音信号进行处理，提取出频域特征和时域特征，如MFCC特征和FBank特征等。

  • 声学模型：根据前端处理器提取的特征，对语音进行建模，通常使用隐马尔可夫模型（HMM）或者深度神经网络（DNN）等模型进行建模。

  • 语言模型：对识别结果进行优化，提高语音识别的准确率，通常使用n-gram语言模型或者神经网络语言模型进行建模。

  • 解码器：根据声学模型和语言模型的得分，进行识别结果的解码，输出最终的识别文本。常用的解码器算法包括动态规划和束搜索等。

  • 语音增强器：用于降噪和增强语音信号的质量，常用的方法包括谱减法、短时能量和短时平均幅度比等。

语音识别模型的部件这一概念来自启英泰伦文档中心 语音识别原理

大哥讲的训练语音识别模型的过程：

数据收集：收集大量的语音数据并对其进行标注，以便模型可以学习如何正确地识别语音。

特征提取：使用信号处理技术和机器学习算法从语音信号中提取特征，例如MFCC（Mel频率倒谱系数）。

模型选择：选择一个合适的模型来建立语音识别系统。常见的模型包括HMM（隐马尔可夫模型）和深度学习模型，如CNN（卷积神经网络）和RNN（循环神经网络）等。

训练模型：将数据输入到选择的模型中进行训练，并根据模型的输出进行调整和优化。

评估和测试：使用测试数据对模型进行评估和测试，并根据结果对模型进行改进，以提高其准确性。

创建于2023.3.21/12.27，修改于2023.4.7/12.45