打字太麻烦,怎么用语音转换成文字？

简要给大家介绍一下传统算法语音怎么变文字的吧。需要说明的是。这篇文章为了易读性而牺牲了严谨性。因此文中的很多表述实际上是不准确的。对于有兴趣深入了解的同学。本文的末尾推荐了几份进阶阅读材料。下面我们开始。
首先。我们知道声音实际上是一种波。常见的mp3等格式都是压缩格式。必须转成非压缩的纯波形文件来处理。比如Windows PCM文件。也就是俗称的wav文件。wav文件里存储的除了一个文件头以外。就是声音波形的一个个点了。下图是一个波形的示例。

文章插图
要对声音进行分析。需要对声音分帧。也就是把声音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单的切开。而是使用移动窗函数来实现。这里不详述。帧与帧之间一般是有交叠的。就像下图这样：

文章插图
分帧后。语音就变成了很多小段。但波形在时域上几乎没有描述能力。因此必须将波形作变换。常见的一种变换方法是提取MFCC特征。根据人耳的生理特性。把每一帧波形变成一个多维向量。可以简单地理解为这个向量包含了这帧语音的内容信息。这个过程叫做声学特征提取。实际应用中。这一步有很多细节。声学特征也不止有MFCC这一种。具体这里不讲。

文章插图
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。参见The CMU Pronouncing Dictionary? 。汉语一般直接用全部声母和韵母作为音素集。另外汉语识别还分有调无调。不详述。
状态：这里理解成比音素更细致的语音单位就行啦。通常把一个音素划分成3个状态。
语音识别是怎么工作的呢？实际上一点都不神秘。无非是：把帧识别成状态（难点）。把状态组合成音素。把音素组合成单词。
如下图所示：

文章插图
那每帧音素对应哪个状态呢？有个容易想到的办法。看某帧对应哪个状态的概率最大。那这帧就属于哪个状态。比如下面的示意图。这帧在状态S3上的条件概率最大。因此就猜这帧属于状态S3 。

文章插图
那这些用到的概率从哪里读取呢？有个叫“声学模型”的东西。里面存了一大堆参数。通过这些参数。就可以知道帧和状态对应的概率。获取这一大堆参数的方法叫做“训练” 。需要使用巨大数量的语音数据。训练的方法比较繁琐。这里不讲。
但这样做有一个问题：每一帧都会得到一个状态号。最后整个语音就会得到一堆乱七八糟的状态号。假设语音有1000帧。每帧对应1个状态。每3个状态组合成一个音素。那么大概会组合成300个音素。但这段语音其实根本没有这么多音素。如果真这么做。得到的状态号可能根本无法组合成音素。实际上。相邻帧的状态应该大多数都是相同的才合理。因为每帧很短。
解决这个问题的常用方法就是使用隐马尔可夫模型（Hidden Markov Model 。HMM）。这东西听起来好像很高深的样子。实际上用起来很简单：第一步。构建一个状态网络。第二步。从状态网络中寻找与声音最匹配的路径。
这样就把结果限制在预先设定的网络中。避免了刚才说到的问题。当然也带来一个局限。比如你设定的网络里只包含了“今天晴天”和“今天下雨”两个句子的状态路径。那么不管说些什么。识别出的结果必然是这两个句子中的一句。
那如果想识别任意文本呢？把这个网络搭得足够大。包含任意文本的路径就可以了。但这个网络越大。想要达到比较好的识别准确率就越难。所以要根据实际任务的需求。合理选择网络大小和结构。
搭建状态网络。是由单词级网络展开成音素网络。再展开成状态网络。语音识别过程其实就是在状态网络中搜索一条最佳路径。语音对应这条路径的概率最大。这称之为“解码” 。路径搜索的算法是一种动态规划剪枝的算法。称之为Viterbi算法。用于寻找全局最优路径。

文章插图
观察概率：每帧和每个状态对应的概率
转移概率：每个状态转移到自身或转移到下个状态的概率