Acoustic-Domain Setence Segmentation

語音辨識前處理

在進行辨識之前，有兩個工作要進行$\colon$

1. 對文句進行標音。例如：中文標示注音、英文標示音標。
2. 根據需求，產生辨識網路，進行搜尋。

文字標音

辨識網路

聲學模型(Acoustic Model)

一般語音辨識中，會以聲學模型來作為語音辨識的基本單位，因此要進行語音資料的訓練來求取聲學模型的參數時，就必須確認聲學模型的結構。以下介紹幾個常用的名詞$\colon$

• 聲學模型(Acoustic Model)$\colon$ 使用於HMM的抽象單位，通常一個聲學模型包含數個狀態。音節或音素可以拿來作為一個聲學模型。
• 音節(Syllables)$\colon$ 完整發音的單位，以中文來說，一個字元對應一個音節；以英文來說，一個詞彙可以對應到數個音節，e.g. tomorrow有三個音節。
• 音素(Phoneme)$\colon$ 簡稱Phone，是發音的最小單位，例如『大』可以拆成ㄉ和ㄚ兩個音素。音素的拆解並非一成不變，例如滑母音，就會將一個注音拆成兩個音素。例如ㄞ、ㄟ、ㄠ、ㄡ等，這幾個母音在發音的過程，都會呈現連續變化。
• Monophone$\colon$ 以單一音素作為一個聲學模型，例如ㄇ。
• Biphone$\colon$ 以連續兩個音素作為聲學模型，通常是RCD(Right-context dependent)，例如將ㄇ出現於ㄇㄚ和ㄇㄧ視為兩個不同的聲學模型。
• Triphone$\colon$ 以連續三個音素作為聲學模型，例如將ㄨ在ㄎㄨㄢ及ㄍㄨㄤ是為兩個不同的聲學模型。

以我們常用的語音辨識系統而言，是以biphone為聲學模型的單位，由音節(Syllable)到Mixture的階層架構，可以由Figure 1示意圖表示$\colon$

Figure 1$\colon$ Hierarchy of Bi-phone Speech recognition System

上圖中，每個音節會用兩兩連續的音素分開，例如：北(bei)變成三個b+e, e+i, i+sil的Model，sil是特殊的音素，代表結束。每個Model又可以分成3個state，每個state又分成3個stream，分別是MFCC、$\Delta$MFCC、$\Delta \Delta$MFCC。MFCC使用6個mixture來建模(重要的語音特徵)，$\Delta$MFCC用2個mixture來建模，$\Delta \Delta$MFCC用2個mixture來建模。

**Figure 2$\colon Hidden Markov Model(HMM) View of Speech Recognition$

Figure 2顯示由辨識網路及HMM的觀點來看，系統的示意圖。其中用0,1,2標註三種不同的transition$\colon$ Type 0 (transition between syllable)、Type 1 (transition between model)、Type 2 (transition between state)。

[0] http://mirlab.org/jang/books/audioSignalProcessing/ppAcousticModel.asp?title=18-4%20%C1n%BE%C7%BC%D2%AB%AC