【语音识别】基于DNN-HMM的语音系统

这里对比了GMM-HMM的语音识别系统与加入神经网络的DNN-HMM语音识别系统，并针对四种不同模式的神经网络进行了对比。

主要流程

1.数据准备（音素，词典，训练音频/文本）
2.特征提取（MFCC）
3.HMM状态（序列建模）
4.DNN网络
5.Viterbi算法
6.解码

---

与GMM的对比

对比GMM，使用DNN的话需要考虑状态对齐，这时候直接使用GMM的结果即可。
下图为DNN-HMM语音识别系统的流程图

再次对比GMM-HMM的流程，会发现DNN-HMM多处了对齐和DNN训练的步骤：

---

FNN(Feedforward Neural Network)

激活函数：

NN分类问题损失函数

梯度下降（Gradient Descent）

反向传播（Back Propagation）

训练流程

其他NN必备知识

• Optimizer(SGD/Momentum/Adam …)
• Dropout
• Regularization
• Residual Connection
• Batch Normalization
• 详请参考李宏毅老师的深度学习课程：
https://www.bilibili.com/video/BV1JE411g7XF?p=1

FNN在语音识别中应用之后能大幅降低错误率（可达到20%）

---

CNN(Convolution Neural Network)

扩张卷积

能获取到更多细节，适应更大的范围

与DNN的区别

相对于DNN的全对齐，CNN能扩展至更多的输入，体现了“共享”的特性

Pooling

降维，具有局部不变性。
p.s.局部不变性是指下列紫色方框中的打乱重排列，依旧不影响输出
类型
• Max Pooling
• Average Pooling
• 作用
• Dimension Reduction
• Invariance/Robust

CNN在语音识别中的应用：

2013 - Abdel-Hamid, Deng, Yu - Exploring Convolutional Neural Network Structures and Optimization Techniques for Speech Recognition
• 5~10%错误率下降
• 2D CNN在当时没有取得比较好的效果

2015 - Peddinti, Povey, Khudanpur - A time delay neural network architecture for efficient modeling of long temporal contexts
• TDNN(Time Delay Neural Network)和扩张卷积的想法是一致的
• 仅时域卷积，没有pooling
• 5~10%错误率下降

---

RNN(Recurrent Neural Network)

特点：有记忆功能，从而代表可以对时序建模

---

LSTM (Long Short Term Memory)

长短时记忆单元

LSTM在语音识别中的应用：

2014 - Sak, Senior, Beaufays - Long Short-Term Memory Based Recurrent Neural Network Architectures for Large Vocabulary Speech Recognition
• 训练帧正确率高很多
• 5~10%错误率下降

---

混合神经网络

• FNN

• 全局特征抽取

• CNN

• 局部特征抽取
• Invariance
• 有限时序建模能力

• RNN

• 记忆
• 时序建模能力
• 复杂网络基本是以上三种网络的组合