在前面的章节中，我们构建了将音频特征映射到字符概率序列的声学模型。虽然这些模型在识别语音内容方面很有效，但它们的输出可能在声学上听起来合理，但在语言上不正确。例如，模型可能会将“recognize speech”转录为发音相似的“wreck a nice beach”。

这就是引入语言模型 (LM) 的地方。语言模型根据其语法结构和出现可能性来评估一个词语序列，帮助系统区分合理与不合理的转录。使用语言模型指导从声学模型预测中选择最终文本的过程称为解码。解码器的目标是找到使组合得分最大化的词语序列 $W$，这通常是声学和语言模型概率的加权和：

$$\text{score}(W) = \log P_{\text{Acoustic}}(X|W) + \alpha \log P_{\text{Language Model}}(W)$$

这里，$P_{\text{Acoustic}}(X|W)$ 是声学模型在给定词语序列 $W$ 时分配给音频特征 $X$ 的概率。$P_{\text{Language Model}}(W)$ 项是词语序列本身的概率，而 $\alpha$ 是一个平衡两种模型影响的权重 (weight)。

本章讲述了将语言模型整合到 ASR 系统中的理论与实践。您将学习：

• 阐述语言模型在 ASR 流程中的作用。
• 使用 KenLM 工具包从文本语料库构建统计 N-gram 语言模型。
• 比较简单的贪心搜索解码与更有效的束搜索算法。
• 实现一个束搜索解码器，该解码器引入外部语言模型的评分以提高转录准确性。