春節后到現在近兩個月了，沒有更新博客，主要是因為工作的關注點正從傳統語音（語音通信）轉向智能語音（語音識別）。部門起了個新項目，要用到語音識別（准備基於Kaldi來做）。我們之前做的傳統音頻已基本成熟，就開始關注在語音識別上了。對於我們來說，這是個全新的領域（雖然都是語音相關的，但是語音通信偏信號處理，傳統語音識別方法偏概率統計），需要學習的知識很多，所以這段時間主要是在學習新知識了，主要學習了數學（高數/線性代數/概率統計，這應該算復習）、機器學習基礎知識、深度學習、語音識別傳統方法等。由於剛開始學，還沒實踐，有的還是一知半解。學的過程中也要有輸出（把自己學的知識講給組內其他同學聽，並一起討論，讓大家都快速入門），這也能促進把學的東西掌握的更好。我花了兩周的時間學習了語音識別的傳統方法（主要學習方式是看文檔和博客），基本上掌握了其方法，也做了PPT給組內同學講（做PPT時用了一些博客上的圖，謝謝這些博主，這里就不一一列舉了）。今天就把這個PPT share出來，給也想入門語音識別的朋友做個參考。由於還沒實踐，有什么不太准確或不准確的地方還請指出。
語音識別傳統方法主要分兩個階段：訓練和識別，訓練階段主要是生成聲學模型和語言模型給識別階段用。傳統方法主要有五大模塊組成，分別是特征提取（得到每幀的特征向量），聲學模型（用GMM從幀的特征向量得到狀態，再用HMM從狀態得到音素）、發音字典（從音素得到單詞）、語言模型（從單詞得到句子）、搜索解碼（根據聲學模型、發音字典和語言模型得到最佳文本輸出），即從幀得到特征向量（特征提取干的話），從特征向量得到狀態（GMM干的話），從狀態得到音素（HMM干的話），從音素得到單詞（發音字典干的活），從單詞得到句子（語言模型干的活）。傳統方法除了在特征提取上用到信號處理知識，其余全都是概率統計等知識，所以說語音識別和語音通信是兩個完全不同的領域。
經過近十年的發展，語音識別已經從傳統方法演進到基於深度學習的方法，識別率也有了質的提升，而且還在快速的演變中，現在商用的語音識別系統都是基於深度學習實現的。對於傳統方法而言，只會出現在文章教材中了，但作為新手，在入門時學習它還是很有必要的。只有了解了傳統方法再去學習深度學習方法，才知道深度學習方法是怎么樣基於傳統方法一步步演變的。下面就是我的PPT。
