语音识别传统方法(GMM+HMM+NGRAM)概述

春节后到现在近两个月了，没有更新博客，主要是因为工作的关注点正从传统语音（语音通信）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来做）。我们之前做的传统音频已基本成熟，就开始关注在语音识别上了。对于我们来说，这是个全新的领域（虽然都是语音相关的，但是语音通信偏信号处理，传统语音识别方法偏概率统计），需要学习的知识很多，所以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/概率统计，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。由于刚开始学，还没实践，有的还是一知半解。学的过程中也要有输出（把自己学的知识讲给组内其他同学听，并一起讨论，让大家都快速入门），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，也做了PPT给组内同学讲（做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做个参考。由于还没实践，有什么不太准确或不准确的地方还请指出。

 

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（得到每帧的特征向量），声学模型（用GMM从帧的特征向量得到状态，再用HMM从状态得到音素）、发音字典（从音素得到单词）、语言模型（从单词得到句子）、搜索解码（根据声学模型、发音字典和语言模型得到最佳文本输出），即从帧得到特征向量（特征提取干的话），从特征向量得到状态（GMM干的话），从状态得到音素（HMM干的话），从音素得到单词（发音字典干的活），从单词得到句子（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，其余全都是概率统计等知识，所以说语音识别和语音通信是两个完全不同的领域。

 

经过近十年的发展，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升，而且还在快速的演变中，现在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，只会出现在文章教材中了，但作为新手，在入门时学习它还是很有必要的。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。下面就是我的PPT。