语音识别 1--概述

1. 语音识别的本质

语音识别的本质就是将一段声音信号转换为文字：左边的彩色框框代表的是对语音信号进行特征提取后的每一帧的数据。T代表的是帧数，d代表的应该是滤波器个数(特征提取里面有一段是需要经过mel滤波器)，即每一帧的维度。token可以理解为你训练时候词典的构成的最小元素。根据自己选择的不同，token可以分为几种。

2.Token的种类

phoneme是发音的最小单位，在中文中可以理解为：声母和韵母；在英文中可以中理解为一个单词发音的音标。grapheme是最小的书写单位，在英文中可以理解为26个英文字母加上空格或者加上一些其他的标点符号。在中文里面就可以理解为1个字。word就是看做是单词，在中文中就表示一个词语，在英文中就表示一个单词。但是如果token表示word的话，在中文中就会有一个难题，中文到底存在多少个单词？中文常用字大概2000~3000，但是可以组合成无数的词语。Morepheme是一个语言中可以传达意思的最小单位，要比word小但是比grapheme大的单位。但是morepheme的由来需要语言学家或统计学家的统计。

Token的使用情况：

3 几种不同的语音系统的不同输出

4.输入部分

4.1Acoustic Feature

&emsp现在MFCC这个特征提取的方法在语音识别中已经运用的不是很多了，Fbank相对来说多一点。上图中帧长为25ms,帧移为10ms。。首先通过分帧、加窗、快速傅里叶变换（离散傅里叶变换）,将时域信号（语音波形图）转换为频域信号（频谱图），然后通过mel滤波、取对数就是整个Fbank特征提取过程，最后加上DCT就是MFCC的特征提取过程。下图显示了当前语音提取方法的运用频率，Fbank使用最多，MFCC越来越少了。几个常用的语音数据集