什么是声学模型？

语音识别系统将原始音频转换为特征向量 (vector)序列。在这些向量中，梅尔频率倒谱系数（MFCCs）等数值虽然代表了声音的抽象属性，但本身缺乏固有的语言意义。这带来了一个基本难题。为了克服这一点，需要一个组件将这些数值特征转换为语言的基本单位。这个组件就是声学模型。

它的核心是一个统计模型，充当声音和音素之间的翻译器。对于由单个特征向量表示的每个短音频片段，声学模型会计算该声音对应于给定语言中每个可能音素的概率。例如，当它分析一个特征向量时，可能会确定该声音有 70% 的可能性是 /t/，10% 的可能性是 /d/，而其他所有音素的可能性都非常低。

可以将其视为一个专门的模式识别器。长期以来，它已在数千小时的语音数据上进行训练，这些数据的音频都与其正确的语音转录精确对齐 (alignment)。通过这种训练，它学习了每个音素的独特特征。它学习了 /s/ 音在特征向量形式下“看起来”是怎样的，以及 /ʃ/（“sh”音）又“看起来”是怎样的。

声学模型的作用

声学模型的主要职责是回答一个具体问题：“给出这个特定音频特征片段，它对应特定音素的可能性有多大？”这个过程对音频输入中的每个时间帧重复执行，从而生成一系列音素概率。

声学模型获取一帧音频特征，并计算每个可能音素的可能性。

这个输出不是一个明确的答案。它是一组概率。模型不会说“这是一个 /t/ 音。”相反，它为每种可能性提供一个统计得分。这是一个重要区别，因为语音本质上是可变的。一个人对 /t/ 的发音会根据其口音、语速或前后音素而变化。通过提供概率，声学模型为ASR系统提供了考虑多种语音解释的灵活性。

概率基础

声学模型学习到的关系正式表达为条件概率。它计算可能性，通常写作：

$$P(\text{音频特征} | \text{音素})$$

你可以将其读作“观察到这组特定音频特征的概率，假设某个音素被说出。”

例如，模型计算：

• $P(\text{特征} | \text{/k/})$: 如果是 /k/ 音，这些特征的可能性有多大？
• $P(\text{特征} | \text{/æ/})$: 如果是 /æ/ 音（如“cat”中的发音），这些特征的可能性有多大？
• $P(\text{特征} | \text{/t/})$: 如果是 /t/ 音，这些特征的可能性有多大？

声学模型对语言中的每个音素执行此计算。产生最高概率的音素被认为是该小段音频可能性最大的候选。这些可能性得分随后会传递到ASR流程的下一阶段——解码器，解码器将结合来自语言模型的信息来构建最终的文本转录。

在接下来的章节中，我们将了解用于构建这些模型的技术，首先是高斯混合模型（GMMs）和隐马尔可夫模型（HMMs）的经典组合。