自然语言第二课（语言辨识）
如何做语音辨识呢
我们需要一个model或者一个Function,它的输入语音信号，它的输出就是文字。
对于一个语音辨识系统而言，它输入和输出的语音和表示被表示成什么呢？
输入的声音会被表示成为一串的向量，它的强度用T来表示，它的dimension(尺寸)用d表示。
输出的文字会被表示成为一串token（标志，象征），它的长度用N来表示，它有V种的token。
一般而言，T是大于N的 。
Token
Phoneme
在语音辨识当中，比较强壮的一种token叫Phoneme,可以想成英文的音标。通过语音辨识输出一段Phoneme，再通过手上拥有的Lexicon来将Phoneme来转换成一串看得懂的字词。类似于下图。
Phoneme还是会有很多缺点，比如说你要翻译它，必须需要一本Lexicon,同时要获取Phoneme需要一些语言知识的支撑，如果去向不同的语言学家询问，不同的语言文献调查，还是会得到不一样的Phoneme.
Grapheme
基于上面Phoneme的缺点，我们引入Grapheme.什么是Grapheme？就是书写的基本单位，什么是书写单位呢？就是英文的26个字母。如下图
例如one_punch_man,因为机器要识别一个单词，需要一个空格来确定单词结束，因此token的N=13，因为文本中不仅需要有空格，还要有逗号，句号等的标点符号，因此token的V种类就不单单只是英文的26个，因此V=26+。
如果是中文的话，我们就以一个方块字来作为一个书写单位。如下图。
“一拳超人”，有四个方块字，因此token的N=4，但V就可以是成千上万种，但一般对于普通人来说，基本4000是很多的了。
英文跟中文的区别就是，中文词跟词之间没有空格。
综上所述，我们需要的Lexicon就直接解放。我们就不需要什么语言学家的知识支持，我们只需要拿到文字，读取文字的书写单位就可以进行语音辨识。
但是很强的Grapheme还是会有缺点，有时候会拼错字，因为太复杂。
Word
词单元，对于很多语言来说，可能词数会非常多，像土耳其语，一个词甚至可以非常长，无法穷举。
Morpheme
表意的最小单元，英语的话就是把前缀后缀也拆出来，可以通过语言学和统计学的方法来获取。
Bytes
二进制单元，语言无关（都可以用UTF-8编码），直接从字节层面获取信息，token大小不超过256。
2019年的数据显示
同时还有很多有趣的结合比如说输入语音，直接输出word embedding。输入英文语音，直接输出中文文字。输入语音，进行intent classification（意图分类），输入想要的答案。输入语音，进行slot filling从而知道要得到的信息（比如说时间，地点）
Acoustic Feature(声学特征)
传统的语音识别方法，会将语音讯号抽帧（取一个窗口），一个25ms的frame有400个采样点（16KHz）。或者会用MFCC将它转为39维的向量，近年来非常流行的是用filter bank output方法转换为80维的向量。然后窗口右移10ms，再用同样的方法取向量。窗口之间是有重叠的。
一个窗口的讯号我们会用傅里叶变换映射到频域空间。频谱和声音之间的关联性是非常强的。接着我们会用一些根据人发声器官发声原理设计的filter bank来对频谱过滤，取log后再做DCT就可以得到MFCC向量。这些我们叫作声学特征。————https://www.cnblogs.com/yanqiang/p/13255650.html
