《语音识别：原理与应用》.md

《语音识别：原理与应用》

语音识别学科涉及领域

• 声学
• 语音学
• 语言学
• 信号处理
• 概率统计
• 信息论
• 模式识别
• 深度学习

人的发音器官

• 肺
• 气管
• 声带
• 咽
• 喉
• 鼻腔
• 口腔
• 唇

声道主要由 口腔 和 鼻腔 组成

基音周期

定义：声带每开启和闭合一次的时间 符号：$ T $

基音频率

定义：基因周期的倒数

符号：$ F_0 $

$$ F_0 = \frac{1}{T} $$

基音频率越高，声音越尖细

语音的分类

• 清音

  气流高速通过某处收缩的声道所产生的语音

• 浊音

  声带振动并激励声道而产生的语音

语音的产生可抽象为一个激励模型，其包含2个部分

• 激励源

  冲击序列发生器以基音周期产生周期性信号，经过声带振动，相当于经过声门波模型，肺部气流大小相当于振幅；

  随机噪声发生器产生非周期信号

• 声道源

  模拟口腔鼻腔都声道器官，最终产生语音信号

人耳的组成

• 外耳

  作用：声源定位；声音放大

  组成：

  • 耳翼

    作用：保护耳孔；定向

  • 外耳道

• 中耳

• 内耳

语音识别的任务：找到对应观测值序列 $O$ 的最可能的词序列$ \hat{W} $，即 $$ \hat{W} = \arg \max P\left(W \mid O\right) = \arg \max \frac{P\left(O \mid W\right)P\left(W\right)}{P\left(O\right)} = \underset{W}{\arg \max} P(O \mid W)P(W) $$ 语音识别的过程

1. 声学特征
2. 状态序列
3. 因素序列
4. 词序列

语音识别评价指标 $$ WER = \dfrac{N_{Del}+ N_{Sub} + N_{Ins}}{N_{Ref}} $$ $N_{Ref}$：测试集所有词数量

$N_{Del}$：发生删除错误的词数量

$N_{Sub}$：发生替换错误的词数量

$N_{Ins}$：发生插入错误的词数量