语音识别过程

语音识别过程就是输入一段语音信号，找到一串文字（字或词）序列的过程，

语音输入

O =o1,o2,o3,...,ot

对应的标注

W =w1,w2,w3,...,wn 

这个过程一般用概率来表示，用O表示语音信号，用W表示文字序列，则是要解决下面这个问题：

由贝叶斯公式

展开，可得

由于 P(O|W )P(W ) / P(O) 是对每个句子进行计算的，而对每个句子来说 P ( O ) 是不变的， 所以可以改写成如下

即：

其中P(O|W ) 称做观测最大释然，由声学模型计算可得

其中P(w)称做先验概率，由语言模型模型计算可得

综上所述，语音识别就是解码（decoding）过程，如下图所示：

声学模型的任务是计算P(O|W ), 即给定文字之后发出这段语音的概率（最后利用贝叶斯，求P(O|W )是使用）。 首先第一问题： 怎么才能知道每个单词发什么音呢？ 这就需要另外一个模块，叫做词典，看eesen的源码在数据准备阶段就是先求出词对应音素的dict， 它的作用就是把单词串转化成音素串，然后再求的语言模型和 训练声学模型（用lstm+ctc 训练声学模型).

有了dict的帮助，声学模型就知道给定的文字串该依次发哪些音了。不过为了计算语音跟音素串的匹配程度，还需要知道每个音素的起止时间。 这是利用动归来进行的，可以高效的找到音素的分界点，使得每一段语音与音素的匹配程度（用概率表示）之积最大。实际使用的算法称为viterbi算法，它不仅仅考虑了每一段语音和音素的匹配程度，还考虑了各个音素之间转换的概率（转换概率通过HMM估计） 实际中使用的比音素更小的单位，原理一样（不是很确定，值得是一帧数据（25ms）吗，一帧不到不到一个音素的长度？）

在求音素分界点的过程中，以及在有了分界点后计算 P ( O | W  )时，声学模型都需要知道怎样计算一个音素与一段语音信号的匹配程度。要做这件事，需要找到一种合适的表示语音信号的方法。一般是把语音信号分成许多帧，对于每一帧，通过傅里叶变换等一系列操作，把它转换成一个特征向量。最常用的特征是MFCC,从训练数据中，我们可以提取出大量的特征向量，以及它们对应的音素；利用这些数据，就可以训练从特征到音素的分类器。前些年最常用的分类器是高斯混合模型（GMM），它的大致原理是估计出每个音素的特征向量的分布，然后在识别阶段，计算每一帧的特征向量 由相应音素 产生的概率 ，把每一帧的概率相乘，就得到 P ( O | W  )。现在，神经网络渐渐火了起来，它可以直接给出 ，用贝叶斯公式可以转换成 ，再相乘得到 P ( O | W  )。