第 1 章 走进语音识别:从声波到文字


第 1 章 走进语音识别:从声波到文字

章节摘要:在真正的车间工位出现之前,得先有人把整套设备的位置图贴出来。这一章回答"语音识别到底在做什么":一句话说完,声音是如何一步步变成文字的;声学模型、语言模型、发音词典和解码器这四样设备,各自接管哪一段。读完它,你不会再问"哪个模型最厉害",而会改问"这条流水线上哪道工序出了问题"。

学习目标

  1. 能用一句话讲清语音识别 ASR 的核心任务,并说出输入输出分别是什么。
  2. 能推导最大化后验概率 P(W|O) 为什么等价于最大化 P(O|W) 乘 P(W)。
  3. 能指着总架构图,逐个指认声学模型、语言模型、发音词典、解码器各自负责什么。
  4. 能举出至少两个"声学上分不清、要靠语言模型来裁决"的真实例子。
  5. 能区分发音词典与语言模型在"发音层"和"语法层"上的不同分工。

核心概念速览

这一章是后续五章的地图。把下面这张图记牢,整个流水间的布局就不会迷路。

子章节导航

  • 1.1 语音识别的定义与发展:先给"识别"下一个能落地的定义,再沿着从孤立词识别到深度端到端的路标走一遍,看这个问题是怎么一步步长成今天这样的。
  • 1.2 语音识别系统基本架构:把刚才那句话拆成流水线,切到每一个部件的输入输出,看声学特征、发音词典、语言先验各自从哪进、往哪去。
  • 1.3 核心组成:声学模型与语言模型:走进这台车间的两台发动机,从贝叶斯视角把"像不像发音"和"像不像话"拆成两个可独立优化的概率项。

子章节之间的逻辑关系

先有定义(1.1),才有架构(1.2),进到架构里最粗的分工就是声学模型与语言模型(1.3)。一句更直白的总结:1.1 定位"凭什么要造这套车间",1.2 给出"车间长什么样",1.3 拆出"两台发动机各自怎么出力"。理解顺序反过来也能通,但顺着读省力。

一张对表记牢四件设备

把四个角色放到一张小表里,是走出这章后最值得带走的行囊。定型时常见误区是把语言模型当成"负责纠错的过滤器"——它其实根本不看声音,只给词序列打分,厘清这一点能省下后面很多弯路。

设备 管的层 输入 输出 常见误解
声学模型 发音层 一帧帧声学特征 音素状态的概率分布 误以为它直接出文字
语言模型 语法层 词序列本身 该序列像不像话的分 误以为它看波形纠错
发音词典 翻译表 词 一串音素 误以为它是语言模型
解码器 总装 三路分数 总分最大的一句文字 误以为只是"挑最大"

本章的心法

读这章最该带走的一句话是:别把"哪个模型最强"挂在嘴边,而要问"这道工序哪里松了"。四件设备没有谁更高级,只有谁在哪个环节更能兜住错误。先把这张地图刻进脑子,后面的每一章都是在给其中的一格添砖加瓦——第 2、3 章给两台发动机换零件,第 4 章接总装线,第 5 章装体检仪。顺着读,你会看到一个模糊的整体,如何被一步一步拆成可单独检查、单独调修的工位。

前置知识与后续延伸

前置知识只需一点点概率直觉:知道"在已知某声音的情况下,一句候选文字像不像真的"这个概念即可,不需要会算积分。第 1 章给了全局坐标,第 2 章把声学侧拆开细看,第 3 章把语言侧拆开细看,第 4 章让两边在解码器里碰头,第 5 章教你给整条线量体温。若你已熟悉 ASR 的大致几何,可以从第 2 章开始,回头再补这章的地图。这一章的章末清单:能指认四件设备、能写出贝叶斯拆解、能读懂一张流水线的图。

作者与出处
原作者:灏天文库
来源:平台策划编纂
整理人: 灏天文库整理
由灏天文库平台收录,内容或由平台用户上传,仅供学习交流
发布者: 作者: 灏天文库 转发
评论区 (0)
U