语音识别传统方法(GMM+HMM+NGRAM)概述

春节后到如今近两个月了，没有更新博客，主要是由于工做的关注点正从传统语音（语音通讯）转向智能语音（语音识别）。部门起了个新项目，要用到语音识别（准备基于Kaldi来作）。咱们以前作的传统音频已基本成熟，就开始关注在语音识别上了。对于咱们来讲，这是个全新的领域（虽然都是语音相关的，可是语音通讯偏信号处理，传统语音识别方法偏几率统计），须要学习的知识不少，因此这段时间主要是在学习新知识了，主要学习了数学（高数/线性代数/几率统计，这应该算复习）、机器学习基础知识、深度学习、语音识别传统方法等。因为刚开始学，还没实践，有的仍是只知其一;不知其二。学的过程当中也要有输出（把本身学的知识讲给组内其余同窗听，并一块儿讨论，让你们都快速入门），这也能促进把学的东西掌握的更好。我花了两周的时间学习了语音识别的传统方法（主要学习方式是看文档和博客），基本上掌握了其方法，也作了PPT给组内同窗讲（作PPT时用了一些博客上的图，谢谢这些博主，这里就不一一列举了）。今天就把这个PPT share出来，给也想入门语音识别的朋友作个参考。因为还没实践，有什么不太准确或不许确的地方还请指出。

 

语音识别传统方法主要分两个阶段：训练和识别，训练阶段主要是生成声学模型和语言模型给识别阶段用。传统方法主要有五大模块组成，分别是特征提取（获得每帧的特征向量），声学模型（用GMM从帧的特征向量获得状态，再用HMM从状态获得音素）、发音字典（从音素获得单词）、语言模型（从单词获得句子）、搜索解码（根据声学模型、发音字典和语言模型获得最佳文本输出），即从帧获得特征向量（特征提取干的话），从特征向量获得状态（GMM干的话），从状态获得音素（HMM干的话），从音素获得单词（发音字典干的活），从单词获得句子（语言模型干的活）。传统方法除了在特征提取上用到信号处理知识，其他全都是几率统计等知识，因此说语音识别和语音通讯是两个彻底不一样的领域。

 

通过近十年的发展，语音识别已经从传统方法演进到基于深度学习的方法，识别率也有了质的提高，并且还在快速的演变中，如今商用的语音识别系统都是基于深度学习实现的。对于传统方法而言，只会出如今文章教材中了，但做为新手，在入门时学习它仍是颇有必要的。只有了解了传统方法再去学习深度学习方法，才知道深度学习方法是怎么样基于传统方法一步步演变的。下面就是个人PPT。