Europe Dataset

但其最终的任务归结为：找到对应观察序列的最可能的词序列。 主流的语音识别系统理论是建立在统计模式识别基础之上的，在统计模型框架下可以用贝叶斯公式来描述语音识别问题。 根据贝叶斯决策理论，我们的任务就是找到一个最有的单词序列，使得它在语音观察序列上的后验概率（）最大，即： 上式中，（|）是声学模型概率，它描述的是一段语音信号对应的声学特征和单词序列的相似程度;（）是语言模型概率，它描述的是单词序列可能出现的概率。


寻找最优的单词序列，即在所有可能的单词序列候选中寻找，使其声学模型和语言模型的概率乘积（|）（）最大。 这中间包含三个问题:第一是如何遍历所有可能的单词序列；第二是如何计算声学模型概率;第三是如何计 萨尔瓦多电话号码数据 算语言模型概率。 为了解决这三个问题，典型的大词表连续语音识别（）系统采用如下图所示的主流框架： 用户语音输入后，首先经过前端处理提取声学特征，得到一系列的观察向量；然后将声学特征送到解码器中进行搜索，完成所有可能的单词序列的遍历，得到识别结果。


解码器在搜索过程中，需要使用声学模型和词典计算概率（），使用语言模型计算概率（）。 声学模型和语言模型由大量数据训练而成；发音词典根据语言学知识定义了每个单词到发音单元的映射关系。 整个系统的链路比较长，模块众多，需要精细调优每个组件才能取得比较好的识别效果。 一、声学模型 人耳接收到声音后，经过神经传导到大脑分析判断声音类型，并进一步分辨可能的发音内容。