[[397599]]

一、神經網絡

當前常用的語音識別框架如下圖

其背后的邏輯是

在特征提取時采用的神經網絡里面的DNN技術

DNN技術可以分為兩種，一種是CNN模型，一種是RNN模型

二、解碼器

解碼器信息來源于聲學模型、詞典、語言模型。框圖如下：

2.1 聲學模型

常用的聲學模型為GMM-HMM，即混合高斯模型-隱馬爾科夫模型

HMM模型對時序信息進行建模，在給定HMM的一個狀態后，GMM對屬于該狀態的語音特征向量的概率分布進行建模。

2.2 詞典

字典：就是發音字典，中文中就是拼音與漢字的對應，英文中就是音標與單詞的對應

用途：

根據聲學模型識別出來的音素，在字典中來找到對應的漢字（詞）或者單詞，用來在聲學模型和語言模型建立橋梁，將兩者聯系起來。

比方如下詞語的映射表：

2.3 語言模型

語言模型是針對某種語言建立的概率模型，是用來計算一個句子的概率的概率模型。

劃分以下兩種：

2.3.1 N元統計語言模型：N-gram模型、平滑化

2.3.2 神經網絡語言模型：

與統計語言模型不同的是，神經網絡語言模型不通過計數的方法對nn元條件概率進行估計，而是直接通過一個神經網絡對其建模求解。

用途：

1、決定哪一個詞序列的可能性更大

2、已知若干個詞，預測下一個詞

例子：

1、I went to a party.

Eye went two a bar tea.

2、你現在在干什么？