概述

语音识别传统方法主要分两个阶段：训练和识别，训练阶段主要是生成声学模型和语言模型给识别阶段用。传统方法主要有五大模块组成，分别是特征提取（得到每帧的特征向量），声学模型（用GMM从帧的特征向量得到状态，再用HMM从状态得到音素）、发音字典（从音素得到单词）、语言模型（从单词得到句子）、搜索解码（根据声学模型、发音字典和语言模型得到最佳文本输出），即从帧得到特征向量（特征提取干的话），从特征向量得到状态（GMM干的话），从状态得到音素（HMM干的话），从音素得到单词（发音字典干的活），从单词得到句子（语言模型干的活）

语音识别原理公式

$$\begin{array}{rl}\arg \underset{\vec{w}}{\max }p(\vec{w}|\vec{x})& =\arg \underset{\vec{w}}{\max }\sum _{\vec{q}}p(\vec{w},\vec{q}|\vec{x})\\ & =\arg \underset{\vec{w}}{\max }\sum _{\vec{q}}\frac{p(\vec{x}|\vec{w},\vec{q})p(\vec{w},\vec{q})}{p(\vec{x})}\\ & =\arg \underset{\vec{w}}{\max }\sum _{\vec{q}}p(\vec{x}|\vec{q})p(\vec{q}|\vec{w})p(\vec{w})\end{array}$$
$\vec{x}$：输入的语音的特征
$\vec{w}$：输出的词序列
$\vec{q}$：音素序列
$p(\vec{x}|\vec{q})$：声学模型
$p(\vec{q}|\vec{w})$：发音词典。发音词典就是定义每个词由哪些音素组成
$p(\vec{w})$：语言模型。语言模型一般利用链式法则，把一个句子的概率拆解成其中每个词的概率之积。

省略分母是因为我们要优化的是$w$，而$p(x)$不含$w$，是常数。

语音识别术语：

1. 什么是声学模型？
   声学模型其实就是可以识别单个音素的模型（例如：音素a的模型可以判定一小段语音是否是a）；

2. 什么是语言模型？
   语言模型表示一个个词串（如果结合了词典，就可以成为一个个音素串）它们在语料库中出现的概率大小（比如，不合语法的词串（句子）概率接近0，很合乎语法的词串概率大）；

3. 什么是解码器
   解码器就是基于Viterbi算法在HMM模型上搜索生成给定观测值序列（待识别语音的声学特征）概率最大的HMM状态序列，再由HMM状态序列获取对应的词序列，得到结果结果。
   如果你只做单个音素识别，（语音很短，内容只是音素），那么只用声学模型就可以做到，不用语言模型。做法就是在每个音素的声学模型上使用解码器做解码（简单的Viterbi算法即可）。
   但是，通常是要识别一个比较长的语音，这段语音中包含了很多词。这就需要把所有可能的词串，结合词典展开为音素串，再跟音素的声学模型结合，可以得到解码图（实际上可以看成很多很多HMM模型连接而成），然后在这个解码图上实施Viterbi算法，得到最佳序列，进而得到识别结果。

4. 什么是音素
   音素：单词的发音由音素构成。对英语，一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集，参见The CMU Pronouncing Dictionary。汉语一般直接用全部声母和韵母作为音素集，另外汉语识别还分有调无调，不详述。

5. 什么是状态
   状态：这里理解成比音素更细致的语音单位就行啦。通常把一个音素划分成3个状态。

6. 声学模型如何训练：
   1.数据准备：音频以及对应标注
   2.先对数据进行强对齐，去除一些音频和对应标注完全不符的情况，这里需要准备发音词典和音素等资源文件

分帧

声音实际上是一种波，把波形切开成一小段一小段，每小段称为一帧。帧与帧之间有重叠，就像下图这样：

另外还需要做个 VAD 处理，也就是把首尾端的静音切除，降低对后续步骤造成的干扰。这需要用到信号处理的一些技术。

提取声学特征

分帧后，语音就变成了很多小段。但波形在时域上几乎没有描述能力，因此必须将波形作变换。常见的一种变换方法是提取 MFCC 特征，把每一帧波形变成一个 12 维向量。这 12 个点是根据人耳的生理特性提取的，可以理解为这 12 个点包含了这帧语音的内容信息。这个过程叫做声学特征提取。实际应用中，这一步有很多细节，比如差分、均值方差规整、高斯化、降维去冗余等，声学特征还有fbank等。

https://www.jianshu.com/p/06895b38738c
https://www.cnblogs.com/yifanrensheng/p/13510742.html
至此，声音就成了一个 12 行（假设声学特征是 12 维）、N 列的一个矩阵，称之为观察序列，这里 N 为总帧数。观察序列如下图所示，图中，每一帧都用一个 12 维的向量表示，色块的颜色深浅表示向量值的大小。

Fbank：FilterBank：人耳对声音频谱的响应是非线性的，Fbank就是一种前端处理算法，以类似于人耳的方式对音频进行处理，可以提高语音识别的性能。获得语音信号的fbank特征的一般步骤是：预加重、分帧、加窗、短时傅里叶变换（STFT）、mel滤波、去均值等。对fbank做离散余弦变换（DCT）即可获得mfcc特征。

声学模型

1. 音节：英语中就是单词，汉语中是汉字。
2. 音素：音节的发音由音素构成。对英语，通常使用 39 个音素的音素集。
3. 状态：比音素更细致的语音单位。通常一个音素由 3 个状态构成。

语音识别是怎么工作的呢？

第一步，把帧识别成状态（难点）。（GMM）

第二步，把状态组合成音素。(HMM)

第三步，把音素组合成单词。(发音字典)
如下图所示：

图中，每个小竖条代表一帧，若干帧语音对应一个状态，每三个状态组合成一个音素，若干个音素组合成一个单词。也就是说，只要知道每帧语音对应哪个状态了，语音识别的结果也就出来了。
那每帧音素对应哪个状态呢？有个容易想到的办法，看某帧对应哪个状态的概率最大，那这帧就属于哪个状态，这叫做“最大似然”。比如下面的示意图，这帧对应 S3 状态的概率最大，因此就让这帧属于 S3 状态。

那这些用到的概率从哪里读取呢？有个叫“声学模型”的东西，里面存了一大堆参数，通过这些参数，就可以知道帧和状态对应的概率（GMM）。声学模型是使用巨大数量的语音数据训练出来的。
但这样做有一个问题：每一帧都会得到一个状态号，最后整个语音就会得到一堆乱七八糟的状态号，相邻两帧间的状态号基本都不相同。假设语音有 1000 帧，每帧对应 1 个状态，每 3 个状态组合成一个音素，那么大概会组合成 300 个音素，但这段语音其实根本没有这么多音素。实际上如果真这么做，得到的状态号可能根本无法组合成音素。实际上，相邻帧的状态应该大多数都是相同的，因为每帧很短。解决这个问题的常用方法就是使用隐马尔可夫模型（Hidden Markov Model，HMM）。这东西听起来很复杂，实际上没什么神秘的。基于 HMM 的语音识别，其基本原理无非是：

第一步，构建一个状态网络。
第二步，从状态网络中寻找与声音最匹配的路径。

这样就把结果限制在预先设定的网络中，避免了刚才说到的问题，当然也带来一个局限，比如你设定的网络里只包含了“今天晴天”和“今天下雨”两个句子的状态路径，那么不管说些什么，识别出的结果必然是这两个句子中的一句。
具体是这样的，首先构造音节级网络，然后展开成音素网络，然后展开成状态网络。然后在状态网络中搜索一条最佳路径，这条路径和语音之间总的概率，称之为累积概率最大。搜索的算法是一种动态规划剪枝的算法，称之为 Viterbi 算法，寻找全局最优路径。感兴趣的同学可以到 Wikipedia 上搜一下。

这里所说的累积概率，分为三部分，分别是：

1. 观察概率：每帧和每个状态对应的概率
2. 转移概率：每个状态转移到自身或转移到下个状态的概率
3. 语言概率：根据语言统计规律得到的概率

其中，前两种概率从声学模型中获取，最后一种概率从语言模型中获取。语言模型是使用大量的文本训练出来的，存储的是任意单词、任意两个单词、任意三个单词（通常也就到三个单词）在大量文本中的出现机率。

这样基本上语音识别过程如下。

https://www.cnblogs.com/talkaudiodev/p/10635656.html