語音識別

產業：

Nuance：全球最大的語音識別技術提供商 
IBM：具備強大數學底蘊的老牌語音識別研究機構 
Microsoft：Vista操做系統中首次加入語音識別功能 
Google：憑藉互聯網方面的優點GOOG-411，音樂搜索

學術：

Cambridge：HTK工具對學術界研究推進巨大 
CMU：SPHINX-李開復 
 SRI，MIT，RWTH，ATR

語音識別實用化方面的兩種論調 

悲觀：缺乏殺手級應用，與人類的語音識別水平還有很大差距 
樂觀：Nuance能如此成功，計算機存儲和運算能力的不斷提升

語音識別各類具體應用

命令詞系統 
識別語法網絡相對受限，對用戶要求較嚴格 
 菜單導航，語音撥號，車載導航，數字字母識別等等 
• 智能交互系統 
 對用戶要求較爲寬鬆，須要識別和其餘領域技術的結合 
 呼叫路由，POI語音模糊查詢，關鍵詞檢出 
• 大詞彙量連續語音識別系統 
 海量詞條，覆蓋面廣，保證正確率的同時實時性較差 
• 結合互聯網的語音搜索 
 實現語音到文本，語音到語音的搜索

 

語音識別基本原理

貝葉斯統計建模框架（MAP/最大後驗機率決策準則）

 

聲學特徵提取

簡單來講， x是一個幀序列，而每幀就是一個多維向量

聲學模型

聲學單元應該具備的特性 
• 一致性：不一樣語音實例中相同的語音單元在聲學上一致 
• 可訓練性：建模單元須要足夠的訓練數據來進行參數估計 
• 可共享性：不一樣的建模單元之間共享某些具備共性的訓練數據 
• 聲學單元如何挑選？ 
• 句子(sentence): 科大訊飛實驗室 
• 單詞(word)： 科大-訊飛-實驗室 
• 單字(syllable)： 科-大-訊-飛-實-驗-室 
• 音素(phone)： k-e-d-a-x-un-f-ei-sh-i-y-an-sh-i 
• 考慮協同發音的三元音素(tri-phone)：ei-sh+i和an-sh+I 
• 精細建模和訓練數據量之間的矛盾如何解決？參數綁定 
• 聲學單元對應的模型形式應該是什麼？ 
• 隱Markov模型（HMM），神經網絡（NN） 

Markov過程和Markov鏈 
• 描述了一個最小記憶系統的隨機行爲

/**安德雷·安德耶維齊·馬爾可夫**/

• HMM的幾要素

 

HMM的兩假設

一、一階Markov假設

二、輸出無關假設

HMM的三個問題 
• 評估問題 
• 給定HMM模型參數以及一串觀測序列，如何求得觀測序列的似然度 
• 解碼問題 
• 給定HMM模型參數以及一串觀測序列，如何搜索出最優的狀態序列 
• 訓練問題 
• 給定觀測序列，如何獲得模型參數

 

 

評估問題

運算量太大，須要尋找快速算法—前向算法（Forward Algorithm）

解碼問題—Viterbi算法 

 

 

訓練問題—最大似然估計 
• EM算法（ Expectation-Maximization Algorithm） 
• Baum-Welch算法/先後向算法（Forward-Backward ） 

 

語言模型

解碼搜索 
• Viterbi算法 
• 時間同步和時間異步 
• 搜索空間裁減 
• N-best和Word-Graph 
 
• 對於命令詞/孤立詞識別網絡，狀況要簡化不少 
• 對於每條命令詞先擴展成HMM序列，而後計算得分 
• 選擇得分最大的做爲識別輸出結果

語音識別的難點及其餘相關技術介紹    • 說話人的差別  • 不一樣說話人：發音器官，口音，說話風格  • 同一說話人：不一樣時間，不一樣狀態  • 噪聲影響  • 背景噪聲  • 傳輸信道，麥克風頻響    • 魯棒性技術  • 區分性訓練  • 特徵補償和模型補償