音訊訊號處理學習-第二週
語音識別模型的基本思路
前端處理
訊號預處理：對輸入的語音訊號進行預處理，包括去噪、預加重（強調高頻成分）、分幀和加窗（通常使用漢明窗）。
特徵提取
梅爾頻率倒譜系數（MFCC）：從預處理後的語音訊號中提取特徵，最常用的是梅爾頻率倒譜系數（MFCC）。其他常用的特徵包括線性預測倒譜系數（LPCC）和感知線性預測（PLP）特徵。
聲學建模
隱馬爾可夫模型（HMM）：傳統語音識別系統中，使用隱馬爾可夫模型（HMM）來建模語音訊號中的時間序列特性。HMM 將語音訊號分為若干個狀態，每個狀態對應一個或多個音素，透過狀態轉移機率和觀測機率來描述語音訊號的動態變化。
深度神經網路（DNN）：現代語音識別系統中，深度神經網路（如卷積神經網路CNN、迴圈神經網路RNN、長短期記憶網路LSTM、變換器Transformer等）廣泛用於替代HMM進行聲學建模。這些模型能夠更好地捕捉語音訊號的複雜特徵和時間依賴性。
語言建模
n-gram模型：傳統語言模型中，使用n-gram模型（如二元文法、三元文法）來描述詞語之間的機率關係。
神經語言模型：現代語言模型中，使用神經網路（如LSTM、Transformer）進行語言建模，能夠捕捉更長距離的依賴關係，提高識別準確率。
解碼
維特比演算法：使用維特比演算法在聲學模型和語言模型的共同作用下，找到最可能的詞序列。這一步是將特徵向量轉換為文字的過程，綜合考慮聲學機率和語言機率。
後處理
錯誤糾正：對解碼結果進行後處理，糾正可能的錯誤。例如，可以使用上下文資訊或特定的規則來糾正誤識別的詞語。
語音識別模型的整體流程
- 語音訊號輸入：接收語音輸入訊號。
- 訊號預處理：去噪、預加重、分幀和加窗。
- 特徵提取：提取MFCC或其他特徵。
- 聲學建模：使用HMM或DNN等模型進行聲學建模。
- 語言建模：使用n-gram模型或神經語言模型進行語言建模。
- 解碼：使用維特比演算法或其他解碼技術將聲學和語言模型的結果結合，輸出最可能的詞序列。
- 後處理：糾正錯誤，輸出最終識別結果。
現代語音識別系統
現代語音識別系統（如Google Voice、Apple Siri、Amazon Alexa等）大多基於深度學習技術，採用端到端的模型架構，將語音訊號直接對映到文字。典型的端到端模型包括：
- 序列到序列（Seq2Seq）模型：利用編碼器-解碼器架構，將輸入的語音特徵序列編碼成隱含表示，再解碼成文字序列。
- 注意力機制（Attention Mechanism）：在解碼過程中使用注意力機制，動態選擇輸入特徵序列的相關部分，提高識別效能。
- 變換器（Transformer）：利用自注意力機制，能夠並行處理序列，具有更高的效率和效能。