ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

语音识别入门
章节 1: 语音识别的基本原理
什么是自动语音识别(ASR)?
自动语音识别系统简史
语音识别处理流程的组成要素
语音识别的类型:说话人相关型与说话人无关型
语音识别的分类:孤立词识别与连续语音识别
计算机如何处理声音:数字音频基础
语音单位与言语基本组成部分简介
章节 2: 处理音频信号
从声波到数字数据:采样与量化
了解音频格式(WAV、MP3、FLAC)
语音可视化:波形图与频谱图
预加重与分帧
窗口函数详解
特征提取简介
生成梅尔频率倒谱系数 (MFCC)
动手实践:音频文件可视化与处理
章节 3: 声学模型
什么是声学模型?
将声音映射到音素
早期方法:高斯混合模型 (GMMs)
隐马尔可夫模型 (HMM) 在序列数据中的应用
GMM与HMM的结合
基于神经网络的声学模型介绍
语音模型在ASR系统中的作用
章节 4: 语言模型
什么是语言模型?
语音中的歧义问题
N-gram 语言模型:二元语法和三元语法
词语序列概率的计算
困惑度详解
语言模型如何提高准确性
神经网络语言模型简介
章节 5: 解码与系统集成
解码器的作用
确定最可能的词语序列
搜索算法概览
理解维特比算法
完整的ASR流程:回顾
评估表现:词错率 (WER)
语音识别中的常见挑战
章节 6: 构建你的第一个语音识别应用程序
语音识别API与库简介
配置Python环境
使用预训练模型进行转录
从文件中转录音频
实时获取并转录麦克风输入
处理 API 响应和错误
实践:构建一个简单的语音命令工具

隐马尔可夫模型 (HMM) 在序列数据中的应用

语音本身就是序列化的。单词“cat”中的发音以特定顺序出现,正是这个顺序赋予了单词其含义。一个只识别单个声音特征的模型,例如高斯混合模型,会忽略这种基本结构。这就像拥有一袋字母,你可以看到有哪些字母,但无法构成单词或句子。为了正确理解语音,我们需要一个能理解序列的系统。这就是隐马尔可夫模型(HMM)的作用。

HMM 是一种统计工具,设计用于对序列数据进行建模,其中生成数据的底层过程无法直接看到。想象你身处一个没有窗户的房间,想猜测外面的天气。天气本身,无论是“晴朗”还是“下雨”,都是一个隐藏状态。你无法直接看到它。然而,你可以观察从外面进来的同事是否带着湿伞。这就是你的观测值。通过随着时间推移跟踪这些观测值,你可以推断出最可能发生的天气状况序列。

HMM 在语音中的应用

该模型直接适用于语音识别:

  • 隐藏状态: 语言的音素就是隐藏状态。我们从不在原始音频波形中直接“看到”一个完美的 /k/ 或 /æ/。
  • 观测值: 我们从短音频帧中提取的特征向量 (vector),例如 MFCCs,就是我们的观测值。它们是我们所拥有的声学证据。

HMM 提供了一个数学框架,用于在给定观测到的音频特征序列的情况下,找到最可能的隐藏音素序列。

隐马尔可夫模型的组成部分

为了构建这个框架,HMM 依赖于三个主要组成部分:

  1. 状态集 (SSS): 对于语音,我们不只是为每个音素使用一个状态。单个音素的发音从其开始到结束都会变化。因此,我们通常用一个由少量状态组成的链来建模每个音素,通常是三个:一个起始状态、一个中间状态和一个结束状态。这使得模型能够更好地捕捉语音声音的动态特性。

  2. 转移概率 (AAA): 这些定义了从一个状态转移到另一个状态的概率。例如,从 /k/ 的“起始”状态转移到其“中间”状态的概率很高。也存在从 /k/ 的最终状态转移到下一个音素(如 /æ/)的第一个状态的概率。这些概率强制执行声音的合法顺序。状态也可以转移回自身,这使得模型能够考虑音素被说得更慢或更快的情况。

  3. 发射概率 (BBB): 这是在特定状态下,产生特定观测值(一个音频特征向量 (vector))的概率。它回答了这个问题:如果我们处于代表音素 /æ/ 中间部分的状态,那么观测到我们刚刚计算出的特定 MFCC 向量的概率 P(音频特征∣状态æ−中)P(\mathrm{音频特征} | \mathrm{状态 æ-中})P(音频特征∣状态æ−中) 是多少?

下图展示了一个简单的 HMM,用于单词“cat”,该单词由音素 /k/、/æ/ 和 /t/ 组成。每个音素都用三个状态建模,箭头代表可能的转移。

一个表示单词“cat”(/k/ /æ/ /t/)的 HMM。该模型通过每个音素的子状态进行转移。自循环使得模型能够在每个状态中停留不同的时间,从而解释语速差异。

通过结合转移概率和发射概率,HMM 可以计算任何给定音素序列与输入音频的总得分。ASR 系统的目标是找到通过所有可能音素状态的单一路径,该路径生成观测到的音频特征的概率最高。这是一个复杂的搜索问题,但可以通过一种称为维特比算法的特殊过程高效解决,该算法我们将在后续章节中讨论。

HMM 为声学模型提供了序列“支架”。它巧妙地处理语音声音的“何时”问题,对其顺序和持续时间进行建模。然而,HMM 框架本身并未规定如何计算发射概率,即 P(音频特征∣状态)P(\mathrm{音频特征} | \mathrm{状态})P(音频特征∣状态) 部分。它需要一种方法来评估给定音频帧与音素状态的匹配程度。正如你将在下一节中看到的那样,这正是 GMM 再次出现的地方,它们与 HMM 形成强大的合作关系。

  • A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Lawrence R. Rabiner, 1989 Proceedings of the IEEE, Vol. 77 (IEEE) DOI: 10.1109/5.18626 - 介绍HMM理论及其在语音识别中具体应用的奠基性论文。
  • Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006 (Springer) DOI: 10.1117/1.2819119 - 在更广泛的机器学习背景下,提供了HMM的统计和概率处理方法。

© 2026 ApX Machine Learning