实例介绍
【实例简介】
教程深入简出，开宗明义，以不长的篇幅把语音庞大的知识体系讲解清楚，是不可多得的案头资料。
语音识别的基础原理 语音识别可以看作是已知观测到语音信号X ,求出其语言内容(文字)W,即P(w|x) 最大化的: w=arg max P(w X arg max n Px w(m com arg max P(xI w)P(w) P(xν)由声学模型得到(声学似然度),P(w)由语言模型决定(先验知识) HMM模型概要 基本概念 HMM与语音信号 状态,状态迁移/输出概率,观测信号序列 3状态音素HMM(非静音): Left-to-right(2-3-4,不允许4-3) without skips(不允许24) 参数(各状态迁移概率,信号输出概率:髙斯分布) wwW,CiRcom 1-(23 4}-(5 O1 02 O3 O4 O5 Oe HMM构成要素 状态集合:x=s10≤i≤M 开始状态S和终了状态S为固定状态,不输出信 状态迁移概率:A=a=P(SS)10≤;,/≤M} ·输出概率: B={b(o)|0<i<M} 从状态S输出信号0的概率n.Com 输出信号系列o(n)=(n=0,…,N) 观测到的语音信号,如MFCC等特征量 状态系列:s(m)=(=0,…,.N+1) 时刻n对应状态 HMM三大基本问题 (具体参考dean/ ebooks下的《经典》) ·评价问题( Forward算法) 已知观察序列O =(01,1 or)和模型参数x,如 何有效的计算P)(即模型对数据的拟合程 度) 解码问题(Ⅴ iterbi算法) 已知观察序列O(1,,)模型参数λ,在最 佳意义上确定一个状态序列q=q12 训练问题(EM,Baum- Welch重估) 口知观察序列○=(1,a1灬αr)模型参薮x,如何 调整模型参数x使P(1)最大 HMM模型评价算法(前项算法) P(O|) O(1)O(2) O(N SM ((S3 S2 CS 状 态 So m 0 N+1 时刻 a(n,m )=P(s(n)=S|0) HMM模型评价算法(前项算法) P(O|A)=∑P(0,S|A)=∑P(0|S,A)P(S|A) 0.6 0.2 So S1 S2 →S3 两种可能的路 50ss1S2S3} 1.0 0.4 0.8 ISOS1S2S2S31 1.0 (ab)=(0.7,0.3) (a,b)=(0.6,0.4) ×1.0 两者之和便为信号{ab} ×0.7 0.0 的输出概率 0.7 ×04 ×0.6 ×0.2 1.0×0.7×0.6×0.3×04×0.4×0.8 ×0.3 ×04 0.126 0.112 +1.0×0.7×0.4×0.4×02×0.4×0.8 ×0.4 ×0.6 0.2 0.02396 ×0.3 ×04 ×0.8 0.023 0.029 0.024 HMM模型评价算法(前项算法) 初期化: a(0,0)=1.0 (n,i)=0.0(1≤i≤ 1≤n≤N) 初期迁移:a(1,i)=an,i=1,…,M 递进式:对于 N n m b (o(n-1 pcom m 最终迁移 M-1 P(OA b ( O(N) HMM解码: Viterbi算法 0.6 0.2 So S1 S2 S3 两种可能的路径: 0.8 ISoS1S1S2S31 1.0 0.4 ISoS1S2S2S31 1.0 a,b)=(0.7,0.3) (ab)=(06,0.4 ×1.0 两者输出信号{ab} ×0.7 0.0 概率最大者为最佳路径: 0.7 ×0.4 ×0.6 ×0.2 ×0.3 04 0.11 n 1.0×0.7×0.6×0.3×0.4×0.4×0.8 0.126 ×0.4 ×0.6 ×0.2 ×0.4 ×0.8 0.023 0.029 【实例截图】
【核心代码】
教程深入简出，开宗明义，以不长的篇幅把语音庞大的知识体系讲解清楚，是不可多得的案头资料。
语音识别的基础原理 语音识别可以看作是已知观测到语音信号X ,求出其语言内容(文字)W,即P(w|x) 最大化的: w=arg max P(w X arg max n Px w(m com arg max P(xI w)P(w) P(xν)由声学模型得到(声学似然度),P(w)由语言模型决定(先验知识) HMM模型概要 基本概念 HMM与语音信号 状态,状态迁移/输出概率,观测信号序列 3状态音素HMM(非静音): Left-to-right(2-3-4,不允许4-3) without skips(不允许24) 参数(各状态迁移概率,信号输出概率:髙斯分布) wwW,CiRcom 1-(23 4}-(5 O1 02 O3 O4 O5 Oe HMM构成要素 状态集合:x=s10≤i≤M 开始状态S和终了状态S为固定状态,不输出信 状态迁移概率:A=a=P(SS)10≤;,/≤M} ·输出概率: B={b(o)|0<i<M} 从状态S输出信号0的概率n.Com 输出信号系列o(n)=(n=0,…,N) 观测到的语音信号,如MFCC等特征量 状态系列:s(m)=(=0,…,.N+1) 时刻n对应状态 HMM三大基本问题 (具体参考dean/ ebooks下的《经典》) ·评价问题( Forward算法) 已知观察序列O =(01,1 or)和模型参数x,如 何有效的计算P)(即模型对数据的拟合程 度) 解码问题(Ⅴ iterbi算法) 已知观察序列O(1,,)模型参数λ,在最 佳意义上确定一个状态序列q=q12 训练问题(EM,Baum- Welch重估) 口知观察序列○=(1,a1灬αr)模型参薮x,如何 调整模型参数x使P(1)最大 HMM模型评价算法(前项算法) P(O|) O(1)O(2) O(N SM ((S3 S2 CS 状 态 So m 0 N+1 时刻 a(n,m )=P(s(n)=S|0) HMM模型评价算法(前项算法) P(O|A)=∑P(0,S|A)=∑P(0|S,A)P(S|A) 0.6 0.2 So S1 S2 →S3 两种可能的路 50ss1S2S3} 1.0 0.4 0.8 ISOS1S2S2S31 1.0 (ab)=(0.7,0.3) (a,b)=(0.6,0.4) ×1.0 两者之和便为信号{ab} ×0.7 0.0 的输出概率 0.7 ×04 ×0.6 ×0.2 1.0×0.7×0.6×0.3×04×0.4×0.8 ×0.3 ×04 0.126 0.112 +1.0×0.7×0.4×0.4×02×0.4×0.8 ×0.4 ×0.6 0.2 0.02396 ×0.3 ×04 ×0.8 0.023 0.029 0.024 HMM模型评价算法(前项算法) 初期化: a(0,0)=1.0 (n,i)=0.0(1≤i≤ 1≤n≤N) 初期迁移:a(1,i)=an,i=1,…,M 递进式:对于 N n m b (o(n-1 pcom m 最终迁移 M-1 P(OA b ( O(N) HMM解码: Viterbi算法 0.6 0.2 So S1 S2 S3 两种可能的路径: 0.8 ISoS1S1S2S31 1.0 0.4 ISoS1S2S2S31 1.0 a,b)=(0.7,0.3) (ab)=(06,0.4 ×1.0 两者输出信号{ab} ×0.7 0.0 概率最大者为最佳路径: 0.7 ×0.4 ×0.6 ×0.2 ×0.3 04 0.11 n 1.0×0.7×0.6×0.3×0.4×0.4×0.8 0.126 ×0.4 ×0.6 ×0.2 ×0.4 ×0.8 0.023 0.029 【实例截图】
【核心代码】
标签：
好例子网口号：伸出你的我的手 — 分享！
网友评论
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
支持(0) 盖楼(回复)