語音識別原理

　　首先，我們知道聲音實際上是一種波。常見的mp3、wmv等格式都是壓縮格式，必須轉成非壓縮的純波形檔案來處理，比如Windows PCM檔案，也就是俗稱的wav檔案。wav檔案裡儲存的除了一個檔案頭以外，就是聲音波形的一個個點了。

　　在開始語音識別之前，有時需要把首尾端的靜音切除，降低對後續步驟造成的干擾。這個靜音切除的操作一般稱為VAD，需要用到訊號處理的一些技術。要對聲音進行分析，需要對聲音分幀，也就是把聲音切開成一小段一小段，每小段稱為一幀。分幀操作一般不是簡單的切開，而是使用移動窗函式來實現，這裡不詳述。幀與幀之間一般是有交疊的。

　　每幀的長度為25毫秒，每兩幀之間有25-10=15毫秒的交疊。我們稱為以幀長25ms、幀移10ms分幀。每幀的長度為25毫秒，每兩幀之間有25-10=15毫秒的交疊。我們稱為以幀長25ms、幀移10ms分幀。

　　分幀後，語音就變成了很多小段。但波形在時域上幾乎沒有描述能力，因此必須將波形作變換。常見的一種變換方法是提取MFCC特徵，根據人耳的生理特性，把每一幀波形變成一個多維向量，可以簡單地理解為這個向量包含了這幀語音的內容資訊。這個過程叫做聲學特徵提取。實際應用中，這一步有很多細節，聲學特徵也不止有MFCC這一種，具體這裡不講。

　　至此，聲音就成了一個12行（假設聲學特徵是12維）、N列的一個矩陣，稱之為觀察序列，這裡N為總幀數。觀察序列如下圖所示，圖中，每一幀都用一個12維的向量表示，色塊的顏色深淺表示向量值的大小。

　　接下來就要介紹怎樣把這個矩陣變成文字了。首先要介紹兩個概念：音素：單詞的發音由音素構成。對英語，一種常用的音素集是卡內基梅隆大學的一套由39個音素構成的音素集，參見The CMU Pronouncing Dictionary。漢語一般直接用全部聲母和韻母作為音素集，另外漢語識別還分有調無調，不詳述。狀態：這裡理解成比音素更細緻的語音單位就行啦。通常把一個音素劃分成3個狀態。

　　語音識別是怎麼工作的呢？實際上一點都不神秘，無非是：第一步，把幀識別成狀態（難點）；第二步，把狀態組合成音素；第三步，把音素組合成單詞。

　　語音識別技術，目標是將人類的語音中的詞彙內容轉換為計算機可讀的輸入。

　　工作原理：

　　動態時間伸縮方法使用瞬間的、變動倒頻透過交換字母順序，用一個含義廣泛的詞彙定義了一個新的訊號處理技術，倒頻譜的計算通常使用快速傅立葉變換。

　　運用隱馬爾可夫模型的方法，頻譜特徵的統計變差得以測量。文字無關語音識別方法的例子有平均頻譜法、向量量化法和多變數自迴歸法。

　　語音識別技術，也被稱為自動語音識別，其目標是將人類的語音中的詞彙內容轉換為計算機可讀的輸入；原理是動態時間伸縮方法使用瞬間的、變動倒頻，1963年Bogert et al出版了《回聲的時序倒頻分析》，透過交換字母順序，他們用一個含義廣泛的詞彙定義了一個新的訊號處理技術，倒頻譜的計算通常使用快速傅立葉變換；從1975年起，隱馬爾可夫模型變得很流行，運用隱馬爾可夫模型的方法，頻譜特徵的統計變差得以測量，文字無關語音識別方法的例子有平均頻譜法、向量量化法和多變數自迴歸法；平均頻譜法使用有利的倒頻距離，語音訊譜中