语音识别过程

常见的mp3等格式属于语音的压缩格式，必须转化为非压缩的纯波形格式（如Windows PCM文件，即wav，wav文件包含文件头、声音波形点）来进行后续处理

语音识别预处理：

1、切除波形首尾端的静音（VAD），减少后续步骤的干扰
2、声音分帧：通过移动窗口切割（如帧长25ms、帧间交叠15ms，则帧移为10ms，即窗口每次移动10ms。考虑交叠的原因是为了保持帧间平滑、连续性）
3、波形变换提取声学特征：提取MFCC（不止这一种）特征，根据人耳生理特性，将每一帧波形变成多维向量，处理后得到 12(声学特征可以不是12维) * N(帧数)

识别处理：把帧识别成状态 => 把状态组合成音素 => 把音素组合成单词

1、将帧识别成状态（文字的发音由音素构成 ； 状态可以理解成比音素更细致的语音单位，通常一个音素划分为3个状态）
1.1 如何将帧识别为状态，通过训练的“声学模型”给出当前帧属于不同状态的概率，最大值代表属于哪个状态，一般每帧对应一个状态，3个状态对应一个音素，实际上语音中没有这么多音素，大多数相邻帧是相同（使用隐马尔可夫模型 Hidden Markov Model,HMM）
1.2 HMM：构建状态网络（如果网络中包含"今天下雨"、"今天晴天"，则只能识别其中一句） => 从状态网络中寻找与语音最匹配的路径（概率最大），路径搜索算法称为Viterbi算法
1.3 概率最大：包含3部分：1、观察概率：帧和每个状态对应的概率 2、转移概率：每个状态转移到自身或者转移到下个状态的概率 3、语音概率（语言模型使用大量文本训练得到）：根据语言模型统计的概率