语音识别原理.doc

《语音识别原理.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、语音识别原理　　简要给大家介绍一下语音怎么变文字的吧。希望这个介绍能让所有同学看懂。　　首先，我们知道声音实际上是一种波。常见的mp3、wmv等格式都是压缩格式，必须转成非压缩的纯波形文件来处理，比如WindowsPCM文件，也就是俗称的wav文件。wav文件里存储的除了一个文件头以外，就是声音波形的一个个点了。下图是一个波形的示例。　　　　在开始语音识别之前，有时需要把首尾端的静音切除，降低对后续步骤造成的干扰。这个静音切除的操作一般称为VAD，需要用到信号处理的一些技术。　　要对声音进行分析，需要对声音分帧，也就是把声音切开成一小段一小

2、段，每小段称为一帧。分帧操作一般不是简单的切开，而是使用移动窗函数来实现，这里不详述。帧与帧之间一般是有交叠的，就像下图这样：　　　　图中，每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠。我们称为以帧长25ms、帧移10ms分帧。图中，每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠。我们称为以帧长25ms、帧移10ms分帧。　　分帧后，语音就变成了很多小段。但波形在时域上几乎没有描述能力，因此必须将波形作变换。常见的一种变换方法是提取MFCC特征，根据人耳的生理特性，把每一帧波形变成一个多维向量，可以简单地理解为

3、这个向量包含了这帧语音的内容信息。这个过程叫做声学特征提取。实际应用中，这一步有很多细节，声学特征也不止有MFCC这一种，具体这里不讲。　　至此，声音就成了一个12行（假设声学特征是12维）、N列的一个矩阵，称之为观察序列，这里N为总帧数。观察序列如下图所示，图中，每一帧都用一个12维的向量表示，色块的颜色深浅表示向量值的大小。　　　　接下来就要介绍怎样把这个矩阵变成文本了。首先要介绍两个概念：　　1.音素：单词的发音由音素构成。对英语，一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集，参见TheCMUPronouncingD

4、icTIonary。汉语一般直接用全部声母和韵母作为音素集，另外汉语识别还分有调无调，不详述。　　2.状态：这里理解成比音素更细致的语音单位就行啦。通常把一个音素划分成3个状态。　　语音识别是怎么工作的呢？实际上一点都不神秘，无非是：　　第一步，把帧识别成状态（难点）；　　第二步，把状态组合成音素；　　第三步，把音素组合成单词。　　如下图所示：　　　　图中，每个小竖条代表一帧，若干帧语音对应一个状态，每三个状态组合成一个音素，若干个音素组合成一个单词。也就是说，只要知道每帧语音对应哪个状态了，语音识别的结果也就出来了。图中，每个小竖条代表一

5、帧，若干帧语音对应一个状态，每三个状态组合成一个音素，若干个音素组合成一个单词。也就是说，只要知道每帧语音对应哪个状态了，语音识别的结果也就出来了。　　那每帧音素对应哪个状态呢？有个容易想到的办法，看某帧对应哪个状态的概率最大，那这帧就属于哪个状态。比如下面的示意图，这帧对应S3状态的概率最大，因此就让这帧属于S3状态。　　　　那这些用到的概率从哪里读取呢？有个叫「声学模型」的东西，里面存了一大堆参数，通过这些参数，就可以知道帧和状态对应的概率。获取这一大堆参数的方法叫做「训练」，需要使用巨大数量的语音数据，训练的方法比较繁琐，这里不讲。　

6、　但这样做有一个问题：每一帧都会得到一个状态号，最后整个语音就会得到一堆乱七八糟的状态号，相邻两帧间的状态号基本都不相同。假设语音有1000帧，每帧对应1个状态，每3个状态组合成一个音素，那么大概会组合成300个音素，但这段语音其实根本没有这么多音素。如果真这么做，得到的状态号可能根本无法组合成音素。实际上，相邻帧的状态应该大多数都是相同的才合理，因为每帧很短。　　解决这个问题的常用方法就是使用隐马尔可夫模型（HiddenMarkovModel，HMM）。这东西听起来好像很高深的样子，实际上用起来很简单：　　第一步，构建一个状态网络。　　第

7、二步，从状态网络中寻找与声音最匹配的路径。　　这样就把结果限制在预先设定的网络中，避免了刚才说到的问题，当然也带来一个局限，比如你设定的网络里只包含了「今天晴天」和「今天下雨」两个句子的状态路径，那么不管说些什么，识别出的结果必然是这两个句子中的一句。　　那如果想识别任意文本呢？把这个网络搭得足够大，包含任意文本的路径就可以了。但这个网络越大，想要达到比较好的识别准确率就越难。所以要根据实际任务的需求，合理选择网络大小和结构。　　搭建状态网络，是由单词级网络展开成音素网络，再展开成状态网络。语音识别过程其实就是在状态网络中搜索一条最佳路径，

8、语音对应这条路径的概率最大，这称之为「解码」。路径搜索的算法是一种动态规划剪枝的算法，称之为Viterbi算法，用于寻找全局最优路径。　　　　这里所说的累积概率，由三部分构成，分