## 语音识别
### 语音识别该何去何从？
> 1969年，J.R. PIERCE：“语音识别就像把水变成汽油、从大海中淘金、治疗癌症、人类登陆月球”
当然，这是50年前的想法，那么语音识别该如何做呢？
一个典型的语音识别系统如下，输入一段语音到模型，模型输出一段文本
```
Speech:表示一个长度为T，维度为d的向量序列
Text：一个token序列，长度为N，V个不同的token,通常T>N
```
接下来看看输入可以有哪些可能，输出有哪些可能，首先看下输出部分
### 输出Token
- 音位（phoneme，发音的基本单位）
在深度学习没有流行之前，以音位为输出是很常见的，因为音位和声音的对应关系比较强，那输出是一系列音位，怎么变成我们能看懂的文字呢？需要一个词典，需要语言学家标出来，音位同样也需要语言学家帮忙
- 字母（Grapheme，书写的基本单位）
1. 英文（基本书写单位：字母）
总的token：26个英文字母+一个空格+标点符号
```
one_punch_man;N=13,V=26+?
```
2. 中文（基本书写单位：单个汉字）
总的token：常用的汉字（和英文区别在于没有空格）
```
"一"，“拳”，“超人”，“人”；N=4,V=4000+
```
- 词（word）
英文：one punch man；N=3，通常V>100K
中文：“一拳 ”超人“；N=2，V=？
使用词做为输出单位很难，因为中文没有空格，没有词的明确分界，对于一些语言，V可能超大，无法穷举
- 语素（Morpheme，可以传达意思的最小单位，小于词，大于字母）
例如英文中：unbreakable可以拆成 “un“ ”break“ ”able”
那语素如何获取呢？
请语言学家告诉我们；使用统计学方法
- 字节（bytes）
使用字节作为输出系统是**language independent**，不受语言限制
所有的语言都用UTF-8编码表示：
那么哪个Token最受欢迎呢，统计了19年语音三大顶会paper ( INTERSPEECH’19, ICASSP’19, ASRU’19 )。发现最多人使用的是grapheme
除了上述形式，还有哪些输出呢？
1. 输入语音，输出word embedding
2. 和翻译系统结合，直接输出另一种语言文本
3. 加入意图识别，输出对应的意图
4. 输出输入中所包含的关键词
### 输入部分(声学特征，acoustic feature)
对输入的声音信号，使用25ms的时间窗取出一个frame，对应就有400个采样点（16KHz）（使用MFCC会得到39维向量、filter bank输出是80维），通常的每个时间窗的间隔为10ms，那么1s内就有100个frame，如何处理每个frame呢，请看下图
输入声音信号 经过 离散傅里叶变换 变成 频谱图，经过多个不同的 filter bank （古圣先贤们设计出来的） 处理后， 得到向量 使用对数变换，经过 离散余弦变换，使用MFCC方法得到向量
同样我们看下哪种输入信号最受欢迎，19年filter bank成为主流
- 训练一个语音识别系统需要多少数据？
很多很多，google语音识别系统用了上十万的语音数据。。。
### 语音识别模型的两个不同的角度
**seq-to-seq**将要被介绍的模型
- Listen, Attend, and Spell (LAS)
- Connectionist Temporal Classification (CTC)
- RNN Transducer (RNN-T)
- Neural Transducer
- Monotonic Chunkwise Attention (MoChA)
同样我们看下，19年的趋势
下节课。我们将会依次介绍上述提到的模型，下次再见啦
references:
http://speech.ee.ntu.edu.tw/~tlkagk/courses_DLHLP20.html
