b）主要問題：

我們要了解的是，聲學模型存在2個問題：

特徵向量序列的可變長；

每個人說同一個單詞的時間長度都不一樣，聲學模型要能從不同的時間長度的語音信號中識別出是同一個單詞。

解決方法就是DTW（動態時間規整）、 HMM（隱馬爾可夫模型）。

音頻信號的豐富變化性；

如說話人的性別，健康狀況，緊張程度，說話風格、語速，環境噪音，周圍人聲，信道扭曲，方言差異，非母語口音等。

c）HMM 聲學建模：

對語音識別系統而言，HMM 的輸出值通常就是各個幀的聲學特徵 。 為了降低模型的複雜度，通常 HMM 模型有兩個假設前提，一是內部狀態的轉移只與上一狀態有關，一是輸出值只與當前狀態或當前狀態轉移有關。除了這兩個假設外，HMM 模型還存在著一些理論上的假設，其中之一就是，它假設語音是一個嚴格的馬爾科夫過程 。

2.5 語言模型

如何將識別出的單詞，組成有邏輯的句子，如何識別出正確的有歧義的單詞，這些就用到語言模型了。

由於語音信號的時變性、噪聲和其它一些不穩定因素，單純靠聲學模型無法達到較高的語音識別的準確率。在人類語言中，每一句話的單詞直接有密切的聯繫，這些單詞層面的信息可以減少聲學模型上的搜索範圍，有效地提高識別的準確性，要完成這項任務語言模型是必不可少的，它提供了語言中詞之間的上下文信息以及語義信息。

隨著統計語言處理方法的發展，統計語言模型成為語音識別中語言處理的主流技術，其中統計語言模型有很多種，如N-Gram語言模型、馬爾可夫N元模型(Markov N-gram)、指數模型( Exponential Models)、決策樹模型(Decision Tree Models)等。而N元語言模型是最常被使用的統計語言模型，特別是二元語言模型（bigram）、三元語言模型（trigram）。

2.6 字典

字典是存放所有單詞的發音的詞典，它的作用是用來連接聲學模型和語言模型的。

識別出音素，利用字典，就可以查出單詞了。

例如，一個句子可以分成若干個單詞相連接，每個單詞通過查詢發音詞典得到該單詞發音的音素序列。相鄰單詞的轉移概率可以通過語言模型獲得，音素的概率模型可以通過聲學模型獲得。從而生成了這句話的一個概率模型。

2.7 解碼器

解碼器的作用就是將上述訓練好的模型按照一定的規則組合起來，將新輸入的語音識別出來。

語音識別評估標準

在語音識別中，常用的評估標準為詞錯誤率（Word Error Rate，WER)。

我們上面講了幀向量識別為單詞，需要用聲學模型。因為識別出來的整個詞序列是混亂的，需要進行替換、刪除、插入某些詞，使得次序列有序完整。

WER就是反映上述過程的標準，能直接反映識別系統聲學模型的性能，也是其他評估指標如句錯誤率SER的基礎。

傳統的詞錯誤率評估算法在語音識別中存在三種典型的詞錯誤：

替換錯誤（Substitution）：在識別結果中，正確的詞被錯誤的詞代替；

刪除錯誤（Deletion）：在識別結果中，丟失了正確的詞；

插入錯誤（Insertion）：在識別結果中，增加了一個多餘的詞；

所以，詞錯誤率為：

S 為替代錯誤詞數，D 為刪除錯誤詞數，I 為插入錯誤詞數。T為參照句子中的所有詞數。

需要注意的是，因為有插入詞，所以WER有可能大於100%。

---

分享到:

---

閱讀更多 壹點方圓 的文章

關鍵字: 人工智能 大數據 算法

---