1.3 核心组成：声学模型与语言模型
1.3 核心组成：声学模型与语言模型
上一节画好了流水线，这一节正要给两台发动机接线。它们的分工只有三行数学：所谓"识别"，就是找到让后验概率最大的词序列；贝叶斯把它拆成声学似然与语言先验两个部分；于是声学模型负责前者、语言模型负责后者。本节把这个拆解讲透，并用几个真实例子说明为何必须两者兼得。
学习目标
- 能写出后验最大化与贝叶斯拆解，并解释每一项对应哪台模型。
- 能说明为什么分母 P(O) 在求最大时可以无视。
- 能举出"声学分不清、语言来裁决"的同音词例子并加以说明。
- 能解释语言模型中一个很小的权重偏差会如何波及最终结果。
一、把"识别"翻译成一道求最大
机器没法"感觉"文字，它只能算分数。ASR 的答案就是一个候选空间里的最值：在所有的词序列里，选出可能性最大的那一个。我们用 W 表示任一候选词序列，用 O 表示实际听到的声学观测，任务就写成求后验概率的最大者。在读这一节时请记住，O 是我们已经听到的事实，是固定的；要看的是谁能让"这句话最像真的在说它"。
很多资料在这里直接抛后验公式，让人一头雾水。其实关键在于：我们手里没有"给定这句话为何会产生这段声音"的直接样本，但可以把它反过来拆开，这就是贝叶斯的用武之地。它把后验转化成两个更可测的量相乘：一个是"这句话真的的话，声音像不像"的似然，一个是"这句话本身像不像真话"的先验。
二、贝叶斯拆解的每一步
写出后验最大化之后，用贝叶斯定理把它展开。分母 P(O) 只与听到的声音有关，与候选文字无关，因此在所有候选里它是同一个数，求最大时可以直接忽略。于是最终目标收敛为：让"声学似然"与"语言先验"的乘积最大。
- 声学模型 提供声学似然：给定的词序列配上词典，展开成一串音素状态，配合隐马尔可夫模型计算这段声音在这些状态下的概率。它回答"这道声音，像不像在念这句话"。
- 语言模型 提供语言先验：无视声音，只看这句话里的词能不能自然连在一起。它回答"这句话本身，像不像人能说出的话"。
三、为什么要两台，而不是一台
一个狠典型的场景能点醒这件事。把"我说的是你"和"我说的是你吗"念出来，前面的声音大体相似，若要仅靠声音分辨语气词，声学模型就会犯难。更经典的还有英文的"我这座山"和"我一座山头"，声学上几乎不可分；此时谁在人话里更常见，就直接决定了答案。这正是声学模型的短板，也正是语言模型存在的理由：它用词与词的组合规律，替声学上打平的候选一锤定音。
反过来，语言模型单独也撑不起识别。没有声学模型，它看哪个句子都"像话"，根本无法用这句话来证明哪一句话是被听到的。这就好比一个只懂语法的裁判，他分不出刚才那个音到底来自"你"还是"吕"，还是要靠一个耳朵好的声学评委先给出候选，再由语法评委定夺。
四、权重：不能等分的一件事
真正落地时，这两项不会五五开，而是由一个语言模型权重 λ 加权求最大。λ 太大，机器会死守语言先验，遇到口音或生造词就翻车；λ 太小，机器光认声音，同音错乱立刻回归。选取 λ 是第 4 章的重点，这里先记住结论：这是整套流水里少数几个必须按验证集手工调的数之一，值得认真对待。
五、拿两个数算一次决策
纸上谈兵总差口气，这里把乘积真的算一遍。假设某句话有两种候选，都说得通："请把门关上"与"请把门撞上"。声学模型听这段声音，觉得前者更贴合、给的声学似然是 0.9，后者只有 0.1——单看耳朵前表述占优。可语言模型拿海量语料来衡量，"撞上"在这类句式里更常见，给前者的先验是 0.2、给后者是 0.8。若不加权直接相乘，前者 0.9×0.2 = 0.18，后者 0.1×0.8 = 0.08，最终还是选前者。
现在把语言权重视为可调旋钮。给整个语言项加一个指数权重 λ，λ 取 2 时，前者的语言贡献变成 0.2 的平方、后者的语言贡献变成 0.8 的平方，两者重算后劣势方可能翻盘。这不是玄学，而是告诉你：同一句声音，同样的两台模型，只凭 λ 一个数，最终答案就可以不同。读第 4 章时，你要反复回来体会这层"乘法里藏权重"的关系。
六、把分辨错的账记下来
两台发动机的分工，用一次"报数变错"的真实场景最能钉死。设系统把一句"今天二十八号"听成了"今天二十八事"，单看声音，数字"四"、手脚的"手"和时间的"时"在部分口音里声学上很接近。若给语言先验的权重偏弱，声学挠说"更像手"，机器就真信了，结果多出一个字；反过来若语言权重强到把任何少见组合都压死，又会把确实会口语化的说法硬掰回规范。看出门道了吗——同一段波形，声学模型给的是"像不像这些音"的分布，语言模型给的是"这些词凑不凑得成话"的先验，最终落哪一个字，取决于两者乘积被推向哪一边。
| 候选 | 声学似然 | 语言先验 | 偏向谁 | 结论 |
|---|---|---|---|---|
| 二十八号 | 高 | 中（常见日期表述） | 两票都稳 | 安稳胜出 |
| 二十八事 | 中高 | 极低（不成话） | 语言拽回 | 压掉 |
| 二十八手 | 高（音近） | 低（少见） | 看 λ | 权重定生死 |
这张表把"乘法里藏权重"落到每一列上：前三列是两台发动机各自给出的分，最后一列才是解码器真正拍板的地方。这也顺带解释了评测集上同一批数据、只改一个 λ，WER 就能明显波动——不是模型能力变了，而是两台发动机的发言权被重新分配了。弄懂这一层，第 4 章所有关于 λ 与搜索的讨论，就都有了落脚点。
本节要点回顾
- 本质：ASR 识别 = 在候选词序列里求后验概率的最大者。
- 贝叶斯拆解：后验正比于声学似然乘语言先验，分母 P(O) 与候选无关可忽略。
- 声学模型：P(O|W) 管"像不像在说这句话"。
- 语言模型：P(W) 管"像不像一句真话"。
- 互补：一台翻声学墙，一台翻语言墙，缺一不可。
- 权重 λ：平衡两者的关键超参数，留到第 4 章展开。
第 1 章的全局坐标到此齐了。下一章我们钻进声学侧，先把声音炼成特征这条路走到底。