1-GMM-HMMs语音识别系统-框架篇

本文主要对基于GMM/HMMs的传统语音识别系统做一个整体介绍。

Outline:

1. 识别原理
2. 统计学模型
3. 系统框架

首先需要说明本文讨论的对象是连续语音识别（Continuous Speech Recognition, CSR），意味着基于DTW（动态时间规整）的孤立词识别（Isolated Word Recognition）不在讨论范围内（out-of-date）。同时，整篇围绕自动语音识别解码过程（识别过程）展开的讨论的。

1.识别原理

首先明白，我们的语音是一种声波，是模拟信号，一般在电脑中保存为wav文件（无压缩格式）或者可以直接通过麦克风采集获得（online）。

需先进行预处理与数字化操作：滤波降噪、预加重（提升高频）、端点检测、加窗分帧，把我们的一段语音信号分解为很多很多的小段语音片段（语音帧）。一般每帧长度为25ms，相邻两帧有10ms的重叠，也就是常说的帧长25ms，帧移10ms。
然后，我们再对每一帧做信号分析，来进一步压缩数据，也被称作特征提取，常见的特征参数有：MFCC，PLP。经过特征提取后，每帧由原来上百个记录点，压缩为39维的MFCC特征参数。（瞬间轻松了好多）

接下来，就是怎么把一系列特征参数序列转化为一段话的问题了？也就是声学模型（GMM-HMMs）、语言模型派上用场的时候到了。首先我们要知道一段话是由一串文字序列组成，一个文字由一串音素（phoneme）组成（如bal：/b/ /ɔː/ /l/）。通常在英文中我们选择音素来建立了隐马尔科夫模型（中文建模单元常为声韵母），即一个音素对应一个HMM，同时通常一个HMM由三个状态（state）组成。好的我们再反过来，我们现在手上有一个特征参数序列，识别的过程，就是解决怎么把每个特征参数识别为一个状态，再由状态到音素，音素到单词，单词到单词序列（一段话）？其中特征参数到状态，由GMMs（混合高斯模型）解决；三个状态到一个音素，由HMM解决；音素到单词，由词典解决；单词到单词序列，由语言模型解决。当然，在整个过程中，我们都是在一个状态网络（time-state）中进行的，都是基于HMMs的。这也是为什么说是HMMs解决了语音识别问题。

统计学模型

自动语音识别（Automatic Speech Recognition, ASR）的任务是将一个段声学信号映射为一串文字。（对其建模是我们实际去解决问题的第一步）即

W∗=argmaxWP(W|X)(1)

其中X=xTi=x1x2,⋯,xt,⋯,xT代表一段长度为T的声学信号（语音帧），W=wni=w1w2,⋯,xn代表一段长度为n的单词序列（word sequence），W∗为在所有 中，最有可能的一段单词序列，也就是我们的识别结果了。
然而公式（1）很难直接计算得出（对于generative models）。我们进行Bayes变换：

P(W|X)=P(X|W)P(W)P(X)∝P(X|W)P(W)(2)

W∗=argmaxW(P(X|W)⏟AMP(W)⏟LM)(3)

最终得到公式（3），其中 代表了一个声学似然度，包含了字典、语音学和声学知识，通过声学模型计算得到； 表示单词序列的一个先验概率（Occam’s Razor），包含了语言学信息，可由语言模型获得。自此，我们知道语音识别问题可以利用声学模型和语言模型来解决。（不过在实际处理中，我们要对公式（3）作进一步细化）

系统架构

一个语音识别系统框架主要包括：声学分析（Signal Analysis）、声学模型（Acoustic Model）、辞典（Lexicon）、语言模型（Language Model）、搜索/解码（Search/Decoding）。原始语音经过信号分析后，结合声学模型、语言模型和辞典， 在搜索空间中找出一个最有可能的单词序列。

声学分析：也称特征提取（Feature Extraction）。
作用：降维，提取有用信息，比如将一段语音帧，解析为一个固定维数（39维）的特征向量。
常用：MFCC（Mel-frequency cepstral Coefficient）、PLP（Perceptual Linear Prediction）。

声学模型：
作用：解析声学信号，比如将特征向量解析到一个特征的建模单元上，并获得相应的score，如音素，声韵母等等。
常用：GMM-HMM、hybrid ANN-HMMs、DNN-HMM、RNN-CTC。

辞典:
作用：给单词和发音提供HMM模型（亚词）和语言模型间关联。
通常：基于音素，由专家手工完成，如CMU-dict。

语言模型:
作用：提供P(W)这部分的先验概率，可以区分相同发音时的识别结果，如wreck a nice beach。
常用：n-gram。

搜索/解码:
作用：根据状态系列，在time-state Trellis中找到一个最优路径，或者说根据声学模型输出的结果，结合辞典、语言模型信息，找出最有可能的识别结果。
常用：Viterbi search、Beam search。