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"。
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。
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。
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" |
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。