简要给咱们介绍一下语音怎样变文字的吧。期望这个介绍能让一切同学看懂。
首要，咱们知道声响实践上是一种波。常见的 mp3、wmv 等格局都是紧缩格局，有必要转成非紧缩的纯波形文件来处理，比方 Windows PCM 文件，也便是俗称的 wav 文件。wav 文件里存储的除了一个文件头以外，便是声响波形的一个个点了。下图是一个波形的示例。
在开端语音辨认之前，有时需求把首尾端的静音切除，下降对后续进程形成的搅扰。这个静音切除的操作一般称为 VAD，需求用到信号处理的一些技能。
要对声响进行剖析，需求对声响分帧，也便是把声响切开成一小段一小段，每小段称为一帧。分帧操作一般不是简略的切开，而是运用移动窗函数来完成，这儿不胪陈。帧与帧之间一般是有交叠的，就像下图这样：
图中，每帧的长度为 25 毫秒，每两帧之间有 25-10=15 毫秒的交叠。咱们称为以帧长 25 ms、帧移 10 ms 分帧。图中，每帧的长度为 25 毫秒，每两帧之间有 25-10=15 毫秒的交叠。咱们称为以帧长 25 ms、帧移 10 ms 分帧。
分帧后，语音就变成了许多小段。但波形在时域上几乎没有描绘才能，因而有必要将波形作改换。常见的一种改换办法是提取 MFCC 特征，依据人耳的生理特性，把每一帧波形变成一个多维向量，能够简略地了解为这个向量包括了这帧语音的内容信息。这个进程叫做声学特征提取。实践运用中，这一步有许多细节，声学特征也不止有 MFCC 这一种，详细这儿不讲。
至此，声响就成了一个 12 行（假定声学特征是 12 维）、N 列的一个矩阵，称之为调查序列，这儿 N 为总帧数。调查序列如下图所示，图中，每一帧都用一个 12 维的向量表明，色块的色彩深浅表明向量值的巨细。
接下来就要介绍怎样把这个矩阵变成文本了。首要要介绍两个概念：
1.音素：单词的发音由音素构成。对英语，一种常用的音素集是卡内基梅隆大学的一套由 39 个音素构成的音素集，拜见 The CMU Pronouncing DicTIonary。汉语一般直接用悉数声母和韵母作为音素集，别的汉语辨认还分有调无调，不胪陈。
2.状况：这儿了解成比音素更详尽的语音单位就行啦。一般把一个音素划分红 3 个状况。
语音辨认是怎样作业的呢？实践上一点都不奥秘，无非是：
第一步，把帧辨认成状况（难点）；
第二步，把状况组合成音素；
第三步，把音素组合成单词。
如下图所示：
图中，每个小竖条代表一帧，若干帧语音对应一个状况，每三个状况组合成一个音素，若干个音素组合成一个单词。也便是说，只需知道每帧语音对应哪个状况了，语音辨认的成果也就出来了。图中，每个小竖条代表一帧，若干帧语音对应一个状况，每三个状况组合成一个音素，若干个音素组合成一个单词。也便是说，只需知道每帧语音对应哪个状况了，语音辨认的成果也就出来了。
那每帧音素对应哪个状况呢？有个简略想到的办法，看某帧对应哪个状况的概率最大，那这帧就归于哪个状况。比方下面的示意图，这帧对应 S3 状况的概率最大，因而就让这帧归于 S3 状况。
那这些用到的概率从哪里读取呢？有个叫「声学模型」的东西，里边存了一大堆参数，经过这些参数，就能够知道帧和状况对应的概率。获取这一大堆参数的办法叫做「练习」，需求运用巨大数量的语音数据，练习的办法比较繁琐，这儿不讲。
但这样做有一个问题：每一帧都会得到一个状况号，最终整个语音就会得到一堆杂乱无章的状况号，相邻两帧间的状况号底子都不相同。假定语音有 1000 帧，每帧对应 1 个状况，每 3 个状况组合成一个音素，那么大概会组合成300个音素，但这段语音其实底子没有这么多音素。假如然这么做，得到的状况号或许底子无法组合成音素。实践上，相邻帧的状况应该大多数都是相同的才合理，由于每帧很短。
处理这个问题的常用办法便是运用隐马尔可夫模型（Hidden Markov Model，HMM）。这东西听起来如同很深邃的姿态，实践上用起来很简略：
第一步，构建一个状况网络。
第二步，从状况网络中寻觅与声响最匹配的途径。
这样就把成果约束在预先设定的网络中，避免了方才提到的问题，当然也带来一个限制，比方你设定的网络里只包括了「今日晴天」和「今日下雨」两个语句的状况途径，那么不论说些什么，辨认出的成果必定是这两个语句中的一句。
那假如想辨认恣意文本呢？把这个网络搭得足够大，包括恣意文本的途径就能够了。但这个网络越大，想要到达比较好的辨认准确率就越难。所以要依据实践使命的需求，合理挑选网络巨细和结构。
建立状况网络，是由单词级网络展开成音素网络，再展开成状况网络。语音辨认进程其实便是在状况网络中查找一条最佳途径，语音对应这条途径的概率最大，这称之为「解码」。途径查找的算法是一种动态规划剪枝的算法，称之为 Viterbi 算法，用于寻觅大局最优途径。
这儿所说的累积概率，由三部分构成，分别是：
调查概率：每帧和每个状况对应的概率
搬运概率：每个状况搬运到自身或搬运到下个状况的概率
言语概率：依据言语计算规则得到的概率
其间，前两种概率从声学模型中获取，最终一种概率从言语模型中获取。言语模型是运用很多的文本练习出来的，能够使用某门言语自身的计算规则来协助提高辨认正确率。言语模型很重要，假如不运用言语模型，当状况网络较大时，辨认出的成果底子是一团乱麻。
这样底子上语音辨认进程就完成了。
以上介绍的是传统的根据 HMM 的语音辨认。事实上，HMM 的内在绝不是上面所说的「无非是个状况网络」那么简略。以上的文字仅仅想让咱们简略了解，并不寻求谨慎。
