語音識別就是將包含文字信息的語音通過計算機轉化成文字的過程，也叫語音轉寫，英文叫automatic speech recognition(ASR)或者 speech to text(STT)，語音識別框架一般如圖所示：

從上圖中可以看出，語音識別技術是一個復雜的多學科交叉技術，涉及到信號處理、統計、機器學習、語言學、數據挖掘、生理學等知識。一個完整的語音識別系統聲學方面和語言學方面。聲學方面包括從最初的語音信號獲取（這其中包括將語音轉化成電信號）到語音信號處理（包括模數轉換，降噪、增強、端點檢測（VAD）等），再到特征提取（MFCC、FB、PLP、BN等），最后到聲學模型建模；語言學方面包括字典（詞典）構造，語言模型建模等。通過建立的聲學模型和語言模型就可以對輸入的測試語音進行解碼，得到相對應的文字。

解碼原理（基于最大后驗概率MAP）

假設我們有一段語音XX(通常是提取的特征),要得到對應的文本WW，就是求使得概率p(W|X)p(W|X)最大的WW的過程，即求
Wˉˉˉˉˉ=argmaxWp(W|X)Wˉ=argmaxWp(W|X)
利用條件概率公式和貝葉斯公式將上述公式轉化為

Wˉˉˉˉˉ=argmaxWp(W,X)p(X)=argmaxWp(X|W)p(W)p(X)Wˉ=argmaxWp(W,X)p(X)=argmaxWp(X|W)p(W)p(X)
p(X)p(X)表示聲學觀測序列的概率，不管選擇解碼空間中的哪一條路徑，一段語音發出來后 p(X)p(X)就確定了，是一個未知的常數，雖然這個概率很難估計，但是并不會影響到 WˉˉˉˉˉWˉ的取值，因此，上式可以簡化為
Wˉˉˉˉˉ=argmaxWp(X|W)p(W)Wˉ=argmaxWp(X|W)p(W)
該公式就是解碼的核心公式了，下面對該公式做一個簡單解讀
其中第一項 p(X|W)p(X|W)就是我們的聲學模型，準確的說，這個概率可以通過聲學模型和詞典（Lexicon）計算得到，第二項就是我們的語言模型，該怎么理解呢？
從概率上看， p(X|W)p(X|W)表示在給定文本 WW的情況下，求“生成”語音XX的概率，就是說，我們之所以說某一句話而不會說其他話，是因為在說這句話之前，腦海里肯定有我們想表達的內容（這里內容就可以理解成文本 WW），然后，調動發聲器官發出語音XX，因此，語音識別的目標就是通過發出的語音 XX去猜測說這句話到底表達什么內容WW。
而 p(W)p(W)就是我們的先驗概率，為什么這么說，因為它不依賴于我們給定的語音 XX，而是由經驗得出的，具體的，可以理解為人類發展到現在所總結出來的語法知識，更通俗一點就是人類的表達習慣。舉個例子，我們通常會說“上床睡覺”而不會說“上床上班”。這個概率可以由語言模型得到。
要使得p(X|W)p(W)p(X|W)p(W)最大，一方面需要文字表達盡量符合語法習慣（即 p(W)p(W)盡量大），另一方面需要識別出來的文字盡量和發出的語音相符（即 p(X|W)p(X|W)盡量大），就是說，在解碼空間里（解碼空間后續會說，簡單理解為不同詞之間有多種組合方式，不同的組合方式構成不同的 WW）,可能有很多種組合都符合語法習慣，但是有些就和發出的語音不太吻合，例如，我們說一句話“我下班坐地鐵回家”，其中有三個不同的識別結果：
1.我下班坐公交回家
2.我坐地鐵回家
3.我下班坐地鐵回家
顯然，上述三種識別結果都符合語法習慣，但是前兩種識別結果都存在誤識（替換錯誤，后續會講）或信息丟失（刪除錯誤，后續會講），即語音中所表達的信息沒有被完全識別出來，因此聲學模型的得分p(X|W)p(X|W)就沒有第3種識別結果得分高。
好了，語音識別的介紹就到這里，具體如何對聲學模型和語言模型進行建模，以及解碼等內容在后續進行介紹。

ps:哪位大神能教我怎樣用LaTexLaTex把WW寫到argmaxargmax下面去嗎，這樣看著好別扭

總結

以上是生活随笔為你收集整理的语音识别一、语音识别介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。