本节课主要内容是语音识别的理论基础
1. 模型定义
moving window波形分割
分两个步骤：
- 切割：等间距切割成N个frame，相连的两个frame需要有一定重叠，保证连续性
- 每个window内提取特征（39维MFCC）
HMM模型
每一个o都是39维（可见）向量->特征
相邻的若干个o组成一个（hidden）state->待识别的音素，因为切割frame要尽量细，可能相邻的若干个frame属于一个音素
A矩阵描述state之间的转换概率->音素之间的转移概率
N个bi(o)（每个bi(o)由M个Gaussian加权组合而成）表示从state产生对应o向量的概率->每一个音素发出“o向量这样特征”的概率有多大
为什么用HMM
- hidden到observation：因为同一个人说两次同样的词，波形也是不一样的。所以bi(o)用分布（GMM）描述
- hidden到hidden：假设音和音之间是有转换关系（联系）的，用hidden之间的联系（转移矩阵）比observe之间的联系（转移矩阵）更简单，更合理
2. 三个基本问题
三个基本问题
(1)已知训练好的模型，求observe产生的概率有多大
(2)已知训练好的模型，找到概率最大的hidden state
(3)已知observe训练，如何训练模型
3. 特征提取
image.png
作用：加强高频信号。高频放大多，低频放大少
image.png
目的：人要换气，声音一定有中断，但也有信号（噪声），需要判断哪里是噪声。
方法：求一小段的能量
image.png
两种不同的window
hamming window解决跳动大的问题，减少两边的权重
4. MFCC
MFCC整体流程
傅立叶变换到频域->三角形滤波->取log->反变换到时域
为什么是39维？13维*3（原始+一次微分+二次微分）
实验结果加三次微分效果变差
人耳原理
不同频率有不同的“传感器”
Mel Freq
离得近的频率人耳听不出来区别，因为是一个“传感器”（相同颜色的）
为什么取log？高一个八度频率高一倍
5. 语言模型
n-gram：前n个词产生下一个词的概率又多大，常见n=3，n大计算量大
smoothing：为词典以外的词给一个很低的默认概率，防止除0异常
6. 语音识别原理
原理
声学模型+语言模型+词典，极大似然求解
MAP
P(O|W),P(W)通过训练数据统计，P(O)和w无关
image.png
取相邻的多少个frame组成一个词都有可能，比如1-2-3-4:j-ji-jin-jing
可以one path一边走一边出结果，可以two path走到最后才出结果
