語音識別傳統方法(GMM+HMM+NGRAM)概述

春節後到如今近兩個月了，沒有更新博客，主要是由於工做的關注點正從傳統語音（語音通訊）轉向智能語音（語音識別）。部門起了個新項目，要用到語音識別（準備基於Kaldi來作）。咱們以前作的傳統音頻已基本成熟，就開始關注在語音識別上了。對於咱們來講，這是個全新的領域（雖然都是語音相關的，可是語音通訊偏信號處理，傳統語音識別方法偏機率統計），須要學習的知識不少，因此這段時間主要是在學習新知識了，主要學習了數學（高數/線性代數/機率統計，這應該算複習）、機器學習基礎知識、深度學習、語音識別傳統方法等。因爲剛開始學，還沒實踐，有的仍是隻知其一;不知其二。學的過程當中也要有輸出（把本身學的知識講給組內其餘同窗聽，並一塊兒討論，讓你們都快速入門），這也能促進把學的東西掌握的更好。我花了兩週的時間學習了語音識別的傳統方法（主要學習方式是看文檔和博客），基本上掌握了其方法，也作了PPT給組內同窗講（作PPT時用了一些博客上的圖，謝謝這些博主，這裏就不一一列舉了）。今天就把這個PPT share出來，給也想入門語音識別的朋友作個參考。因爲還沒實踐，有什麼不太準確或不許確的地方還請指出。

 

語音識別傳統方法主要分兩個階段：訓練和識別，訓練階段主要是生成聲學模型和語言模型給識別階段用。傳統方法主要有五大模塊組成，分別是特徵提取（獲得每幀的特徵向量），聲學模型（用GMM從幀的特徵向量獲得狀態，再用HMM從狀態獲得音素）、發音字典（從音素獲得單詞）、語言模型（從單詞獲得句子）、搜索解碼（根據聲學模型、發音字典和語言模型獲得最佳文本輸出），即從幀獲得特徵向量（特徵提取乾的話），從特徵向量獲得狀態（GMM乾的話），從狀態獲得音素（HMM乾的話），從音素獲得單詞（發音字典乾的活），從單詞獲得句子（語言模型乾的活）。傳統方法除了在特徵提取上用到信號處理知識，其他全都是機率統計等知識，因此說語音識別和語音通訊是兩個徹底不一樣的領域。

 

通過近十年的發展，語音識別已經從傳統方法演進到基於深度學習的方法，識別率也有了質的提高，並且還在快速的演變中，如今商用的語音識別系統都是基於深度學習實現的。對於傳統方法而言，只會出如今文章教材中了，但做爲新手，在入門時學習它仍是頗有必要的。只有瞭解了傳統方法再去學習深度學習方法，才知道深度學習方法是怎麼樣基於傳統方法一步步演變的。下面就是個人PPT。