一

語音的識別過程

1

語音識別基本流程

  語音信號的特征提取:在開始語音識別之前,有時需要把首尾端的靜音切除。接著對音頻進(jìn)行分幀。在語音識別中,常用25ms作為幀長。為了捕捉語音信號的連續(xù)變幻,避免幀之間的特征突變,每隔10ms取一幀,即幀移為10ms。工程上通常使用移動窗函數(shù)對語音進(jìn)行分幀。對每一幀進(jìn)行傅里葉變換轉(zhuǎn)化成為語譜圖。語譜圖經(jīng)過三角濾波器和MFCC變換,形成MFCC圖。多幀的MFCC組合形成MFCC序列,這就是經(jīng)過特征提取的特征序列。語音特征提取如下圖所示。

2

語音識別的一般簡單原理(基于貝葉斯定理)

  (1) 假設(shè)Y是輸入的音頻信號,W是單詞序列,在概率模型下公式表示為:

這就語音識別的目的公式。正常情況下,這個概率執(zhí)行相當(dāng)困難。我們可以采用貝葉斯定理對上述公式進(jìn)行轉(zhuǎn)換:

因?yàn)?P(Y)不會影響最終概率最大化,因此概率模型轉(zhuǎn)變?yōu)閍rg max{P(Y|W)P(W)}。其中概率P(Y|W)的含義是,給定單詞序列W,得到特定音頻信號Y的概率,在語音識別系統(tǒng)中一般被稱作聲學(xué)模型。概率P(W)的含義是,給定單詞序列W的概率,在語音識別系統(tǒng)中一般被稱作語言模型。

  (2) 對于聲學(xué)特性來說,單詞是一個比較大的建模單元,因此聲學(xué)模型P(Y|W)中的單詞序列W會進(jìn)一步拆分成一個音素序列。通常情況下,一個音素包含很多幀。

二

經(jīng)典的GMM-HMM模型

1

GMM-HMM產(chǎn)生過程

(1) 每一句話包含多個字或詞,每一個字包含多個音素。一般情況下,英語的音素是輔音,元音等;漢語的音素是聲母,韻母,聲調(diào)。

(2) 初始,每一個特征序列都由許多幀構(gòu)成。待識別語音的特征序列與已有模板的特征序列相匹配。幀與幀之間依據(jù)相似度進(jìn)行對齊,然后使用DTW算法進(jìn)行對齊即相似度匹配。例如下圖所示。

(1) 通常情況下,同一個字或詞會依據(jù)人,環(huán)境等情況有多種聲音波形,進(jìn)而造成多種特征序列即模板。多個模板根據(jù)幀的相似性組成一個又一個的狀態(tài)。然后使用混合高斯模型來擬合每一個狀態(tài)的特征向量,通過計算概率密度來判斷相似性,這就是觀察概率。如下圖所示,每一個圓圈所代表的就是一個狀態(tài),一個狀態(tài)包含多個幀�；旌细咚鼓Ｐ途褪嵌鄠�有不同均值和協(xié)方差的多元高斯模型混合在一起。

(2) 通常情況下,我們對音素進(jìn)行建模。多個狀態(tài)對應(yīng)一個音素,多個音素對應(yīng)一個字。對音素持續(xù)時間進(jìn)行建模,增加了狀態(tài)間的轉(zhuǎn)移概率即該狀態(tài)變?yōu)橄乱粋�狀態(tài)的概率的大小。然后就形成了如下的GMM-HMM示意圖�；�本流程也同樣會發(fā)生變化。

(3) 轉(zhuǎn)移概率=轉(zhuǎn)移到下一個狀態(tài)+轉(zhuǎn)移到自身的概率=1。最終聲學(xué)模型概率的計算w = 觀察概率*轉(zhuǎn)移到下一個狀態(tài)的概率*轉(zhuǎn)移到自身狀態(tài)的概率。每一個狀態(tài)的轉(zhuǎn)移概率和觀察概率都由該狀態(tài)自身決定。對于GMM-HMM模型的訓(xùn)練參數(shù)就是轉(zhuǎn)移概率和觀察概率的相關(guān)參數(shù)求解。待識別語音特征序列需要與狀態(tài)進(jìn)行對齊匹配。對齊匹配方式有很多種,優(yōu)化參數(shù)的目的就是找到一種最恰當(dāng)?shù)膶�齊方式,使其計算概率最大。

(4) 優(yōu)化參數(shù)的思路:先假設(shè)一種對齊方式,由此求出模型參數(shù),然后更新對齊方式,循環(huán)直至收斂。

2

GMM-HMM基本模型

基本模型如下圖所示。

(1) GMM-HMM模型就組成了語音識別的聲學(xué)模型。語言模型基于語料庫使用馬爾可夫模型進(jìn)行建模。例如求句子“西安電子科技大學(xué)”的概率。

這就是語音模型的先驗(yàn)概率。語言模型的搭建依賴于語料庫的字詞句的豐富性。語料庫越豐富,求出的概率越精確。這述所示例子使用了最常用的Bigram即每一個字只與前一個字有關(guān)。當(dāng)然馬爾可夫模型看似不精確,但是在實(shí)際實(shí)驗(yàn)還是很好用的。

(2) 圖中S1,S2,S3,S4代表的是每一個HMM狀態(tài)。上圖只是一個HMM模型。一個HMM狀態(tài)的參數(shù)由初始概率、轉(zhuǎn)移概率和觀察概率三部分構(gòu)成。。初始概率對識別結(jié)果的影響很小,甚至有時可以忽略,且模型是單向的,所以初始概率不必考慮。聲學(xué)模型包含的信息主要是狀態(tài)定義和各狀態(tài)的觀察概率分布。對觀察概率分布使用GMM建模就形成了GMM-HMM模型�；�于神經(jīng)網(wǎng)絡(luò)的語音識別一般就是使用DNN模型取代GMM模型,進(jìn)而形成DNN-HMM模型。

(3) 對每一個音素建立一個HMM模型。音素HMM按詞典拼接成單詞HMM,單詞HMM與語言模型復(fù)合成語言HMM。通常情況下,單詞的訓(xùn)練樣本都是提前標(biāo)注好的。當(dāng)有了這些訓(xùn)練樣本,就可以使用EM算法來訓(xùn)練GMM-HMM模型的全部參數(shù)。最終概率的計算依據(jù)arg max{P(Y|W)P(W)},識別結(jié)果 = 觀測概率*轉(zhuǎn)移概率*語言模型的先驗(yàn)概率。

(4) 解碼的過程就是選擇最佳的對齊方式。多個HMM狀態(tài)組合成概率最大的音素、音素組成字、字組成句子,然后根據(jù)語言模型選擇概率最大的字、詞和句子。

三

端到端的語音識別

1

神經(jīng)網(wǎng)絡(luò)入局語音識別

  神經(jīng)網(wǎng)絡(luò)開始進(jìn)入到語音識別中。2012年,DNN取代了如人工特征提取方法MFCC,神經(jīng)網(wǎng)絡(luò)可以更好地提取特征。隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展,DNN取代了GMM模型,神經(jīng)網(wǎng)絡(luò)進(jìn)一步發(fā)展。隨著深度學(xué)習(xí)的發(fā)展,HMM模型被循環(huán)神經(jīng)網(wǎng)絡(luò)RNN取代。至此,GMM-HMM模型被取代,但是系統(tǒng)訓(xùn)練過程仍然需要GMM-HMM模型提供音素起止時間和標(biāo)準(zhǔn)答案。直至CTC、Transducer和注意力轉(zhuǎn)移機(jī)制出現(xiàn)。

2

端到端語音識別框架

  端到端語音識別框架是一種將輸入的聲學(xué)特征序列直接映射為字或詞序列的系統(tǒng)。端到端語音識別技術(shù)目前主要分為:連接時序分類算法 (Connectionist Temporal Classification,CTC)、循環(huán)神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換器算法 (Recurrent Neural Network Transducer,RNN-T) 和基于注意力 (Attention) 機(jī)制的編碼-解碼方法 (Encoder-Decoder)。

3

CTC、Transducer和注意力轉(zhuǎn)移機(jī)制

  (1) CTC解決的核心問題是輸入序列與輸出序列的對齊。對于語音識別,我們有一個聲音片段和對應(yīng)校正后的轉(zhuǎn)寫文本數(shù)據(jù)集。我們不知道如何將文字記錄中的字符與音頻對齊,這使得訓(xùn)練語音識別器比最開始想的看起來更難。連接時序分類(CTC)是一種不知道輸入和輸出之間的對齊方式。CTC模型引入了一種空符號,對于音素的輸入只需要按順序輸出即可。實(shí)際上,大部分幀的輸出都是空�；�于CTC模型實(shí)現(xiàn)了端到端的輸出。通俗來看,CTC就是一個目標(biāo)函數(shù)。