章节摘要:声学模型的打分表和语言模型的先验,都堆在解码器门前。这一章讲这台总装如何把"像不像在说"和"像不像人话"拧成唯一一句答案。它会讲清搜索空间是什么、维特比与 Beam Search 各自的取舍、语言模型权重以及对数域如何落地,再把传统架构与端到端解码路径摆在一起对照。
把声学与语言两套分合在一张图上,就是本章的主心骨:声学打分、语言先验、发音词典三路进,解码器归拢出答案。
4.1 先把解码器这个岗位的职责与它面对的那张巨大搜索地图讲清楚;4.2 给出两条搜索路线,维特比死磕全局最优、束搜索用近似换速度,并说明为什么大部分场合选后者;4.3 把两套分用对数加权真正接起来,重点是语言模型权重 λ 怎么定;4.4 转回头看近年来端到端的解码路径,把 CTC、Attention 与传统架构做排雷式对比。前两节讲"在哪搜",后两节讲"怎么加权、有没有别的路"。
读完本章,试着给下面这些判断题打勾,打不上的回去补:
尤其 4.3 的 λ:它常是"模型看起来很棒、线上却老改错"的元凶。能把 λ 想成整机里最容易被误会的旋钮,这章就算过关了。
这一章的四个工位在回答同一个问题:两套分怎么并成一句话。若只能带走一句——解码不是把模型结果拼起来,而是用词典、语言、束宽三层约束,在一棵被剪过的搜索树上挑最大。回过头去品 4.1 的词图、4.2 的两条搜索路、4.3 的 λ 天平、4.4 的端到端捷径,你会发现它们全都是同一枚硬币的不同面:看清约束在哪,算法与权重就都有了落到指尖的抓手。
很多人以为打模型、训模型才叫本事,把解码当成收尾的程序。其实在真实系统里,解码那几十毫秒里暗藏的旋钮——束宽多大、λ 取几、剪枝狠不狠——往往是和换个模型一样值钱的分。把这四个工位当成一整台总装去理解,你才算真正把声学和语言的两股力拧成一股绳;否则堆再多再好的模型,也只是两股没拧上的散绳,车上再足也跑不远。
理解本章需要第 2 章声学打分、第 3 章语言先验与第 1 章的贝叶斯框架。解码是整册流水里隐藏最深也最容易被低估的一环,很多人把识别错误全推给模型,其实是 λ 没调好或搜索剪枝过头。读完本章,重看第 1 章的总图会格外顺眼;而哪些指标该用来验收这套总装,是下一章(第 5 章)的主题。