从头开始简单的语音识别

Question

我发现的与我的问题最相似的问题是这个（ 简单的语音识别方法 ），但是由于已经过去了3年，所以我会问的答案还不够。

我想从头开始计算一个简单的语音识别系统，我只需要识别五个单词。 据我所知，此应用程序最常用的音频功能是MFCC和用于分类的HMM。

我可以从音频中提取MFCC，但对于如何使用这些功能生成带有HMM的模型并进行分类仍然有一些疑问。

据我了解，我必须执行矢量量化。 首先，我需要有一堆MFCC向量，然后应用聚类算法来获取质心。 然后，使用质心执行矢量量化，这意味着我必须比较每个MFCC矢量，并以最相似的质心名称对其进行标记。

然后，质心是HMM中的“可观察符号”。 我必须将单词引入训练算法，并为每个单词创建一个HMM模型。 然后，给定一个音频查询，我将与所有模型进行比较，然后说这是出现概率最高的单词。

首先， 此程序正确吗？ 然后， 我该如何处理大小不同的单词 。 我的意思是，如果我训练了500ms和300ms的单词，我引入多少可观察符号以与所有模型进行比较？

注意：我不想使用sphinx，android API，microsoft API或其他库。

注意2：如果您共享更多最新信息以寻求更好的技术，将不胜感激。

Answer 1

首先，此程序正确吗？

矢量量化部分还可以，但是最近很少使用。 您描述了没人使用的所谓离散HMM。 如果您希望将连续的HMM与GMM作为排放的概率分布，则不需要矢量量化。

然后，您专注于不太重要的步骤（如MFCC提取），而跳过了最重要的部分，如使用Baum-Welch进行HMM训练和使用Viterbi进行HMM解码，这比通过矢量量化对状态的初始估计要复杂得多。

然后，我该如何处理大小不同的单词。 我的意思是，如果我训练了500ms和300ms的单词，我引入多少可观察符号以与所有模型进行比较？

如果解码语音，通常会选择与人类感知的部分音素相对应的符号。 传统上每个音素采用3个符号。 例如，单词“一个”应具有3个音素的9个状态，而单词“七个”应具有5个音素的15个状态。 实践证明，这种做法是有效的。 当然，您可以略微改变此估计。