黄万武 付煜琪 熊素娟


摘要:本文分析了语音識别中的两个经典模型的算法原理——传统的隐马尔可夫模型(HMM)和基于神经网络的解码编码模型(encoder-decoder)模型。
关键词:语音识别;隐马尔可夫;解码编码
语音识别是将自然语言中的语音序列转换为文本序列的一个过程,它的基本思路是:给定一个声学输入序列O=o1,o2 ,o3 ,o4 ……,ot ,把该序列转化成一个由单词序列构成的句子S=w1,w2,w3,w4,w5,……wn 。该转换过程中,经典的技术应用包括传统的基于统计的隐马尔可夫模型和现代的基于神经网络模型。本文将对两种模型的基本原理进行分析。
1基于隐马尔可夫算法的语音识别原理
语音识别过程涉及到两个序列:一个可观察到的声学序列O和一个隐藏的状态序列Q:声学序列背后隐藏的文本序列。
基于隐马尔可夫算法的语音识别本质上是一种基于统计的算法,其基本思路是给定的一个语音序列O,计算出在所有的状态序列Q中,可能性最大的那一个。先求出每个可能的状态序列的概率P(Q|O),从中挑选概率最大的状态序列。
对于单个的序列的概率计算,用简单的马尔科夫链算法即可以轻松地算出该序列的概率。但是对于类似语音识别、词性标注这样存在一个可观察的序列和一个隐藏的序列的现象进行概率计算,要比单序列更复杂,更适合使用隐马尔可夫模型。
隐马尔可夫的基本参数包含5个方面:
(1)隐藏序列状态的集合Q=(q1,q2,q3,…… ,qn)。在语音识别里,就是语音相对应的词语的发音组合,包含某个语言里所有词汇的所有的发音组合,可以通过发音词典来查找。