在阅读了《数学之美》的统计语言识别和隐马尔可夫模型后，我想起了自己之前了解过的语音识别系统，本次读后感权当是一次简单的回忆或者笔记吧！
运用sphinx4进行构建连续语音识别系统包含五大方面：
1、预处理模块：
处理原始语音，滤除不重要部分，语音信号的端点检测，语音分帧（10~30ms被认为是短时平稳），预加重（提高加帧部分）；
2、特征提取：
提取出反映语音信号特征的关键参数，形成特征矢量序列（sphinx用用帧frame分割语音波形，每帧10ms，每帧提取该帧语音39个数字，是该帧的MFCC特征）
ps：MFCC用FTT将时域转化为频域，对其对数能量谱用依照Mel刻度分布的三角滤波器进行卷积后，对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前n个系数。
3、声学训练模型：
主流语音识别系统用隐马尔可夫模型HMM进行声学建模
建模单元：音素、音节、词等各个层次；
（1）词汇量偏小，音节建模；
（2）词汇量偏大，音素即声母、韵母建模；
识别模型越大，识别单元越小。
ps：HMM用从左向右单向，带自环。带跨的拓扑结构来对识别基元建模，一个音素就是三五个状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，连续语音识别
的整个模型就是词和静音组合起来的HMM。
4、语言模型训练：
语言模型用于约束单词的搜索，定义哪些词跟在上一个已经识别的词语后面（匹配是一个顺序处理的过程）。
语言建模结合汉语语法和语义知识，描述词之间的内在关系，从而提高识别率，减少搜索范围，分三个层次：字典知识，语法知识，句法知识。
语言建模方法：规则建模，统计模型。
N-Gram：第n个词出现只与前n-1个词相关，与其他任何词都不相关，整句的概率就是各词出现率的乘积。这些概率可通过直接从语料中统计N个词同时出现的次数得到。常用
二元Bi-Gram和三元Tri-Gram。
ps：sphinx采用二元语法和三元语法的统计语言概率模型，也就是通过前一个或两个单词来判断当前单词出现的频率。{P（w2|w1），P（w3|w1，w2）}
5、语言解码和搜索算法：
解码器：语音技术中的识别过程。
由已训练好的HMM声学模型，语音模型及字典建立一个识别网络，根据搜索算法在网络中寻找最佳的一条路径，此径能以最大概率输出该语音信号的词串。
sphinx用基于Viterb搜索算法：
基于动态规划的Viterb算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，在每节点记录下相应的状态信息最后反向获取词解码。
Viterb，动态规划算法，遍历HMM状态网络，保留每一帧语音在某个状态下的最优路径得分。
本文仅代表本人学习sphinx过程中对sphinx、统计语音识别和HMM的一些理解与认知，不喜勿喷！
原文：https://www.cnblogs.com/cmh2969/p/11486789.html