【ASR学习笔记】：语音识别领域基本术语
一、基础术语
- ASR (Automatic Speech Recognition)
- 自动语音识别，把语音信号转换成文本的技术。
- VAD (Voice Activity Detection)
- 语音活动检测，判断一段音频里哪里是说话，哪里是静音或噪音。
- Acoustic Model（声学模型）
- 将语音的“声音特征”映射成概率分布，用于判断每个语音片段对应的音素（发音单元）。
- Language Model（语言模型）
- 通过统计词语出现的概率，帮助识别结果更符合人类语言习惯（比如纠正听成“在家”和“在加”的问题）。
- Decoder（解码器）
- 把声学模型和语言模型的结果结合起来，最终输出最可能的文本。
二、特征提取相关
- MFCC (Mel-Frequency Cepstral Coefficients)
- 提取语音特征的常用方法，把声音变成模型能理解的数字特征。
- Spectrogram（频谱图）
- 把音频的频率成分和变化画成图像，横轴是时间，纵轴是频率。
- Feature Extraction（特征提取）
- 从原始音频中提取有用的特征信息，减少无用噪声，提高识别准确率。
三、模型架构
- CTC (Connectionist Temporal Classification)
- 不需要每个音频片段都标对应文字，通过序列对齐来训练模型的算法，常用于实时语音识别。
- Attention Mechanism（注意力机制）
- 模型自动关注重要的信息，提高长文本或者复杂语句的识别效果。
- End-to-End Model（端到端模型）
- 不用单独的声学模型、语言模型等模块，直接从音频输入到文本输出，如Transformer、Conformer模型。
- Conformer
- 一种当前效果很好的语音识别模型，结合了CNN和Transformer的优点，能更好处理语音时序特征。
四、性能指标
-
WER (Word Error Rate)
- 词错误率，衡量识别准确性的标准。公式：
WER = (替换 + 插入 + 删除的词数) / 总词数
越低越好。
-
CER (Character Error Rate)
- 字错误率，特别适用于中文语音识别，计算每个字的错误率。
五、实用工具和算法
- Beam Search
- 一种解码算法，可以找到一组可能性最高的候选文本，而不是只给出最有可能的一个结果。
- Greedy Search
- 每一步都选择概率最高的输出，但不一定是全局最优结果。
- Punctuation Restoration（标点恢复）
- 在识别出来的纯文本中自动加上标点符号，提高可读性。
- Streaming ASR（流式识别）
- 一边听一边识别，适合实时场景，比如在线会议字幕。
- Offline ASR（离线识别）
- 等完整音频上传后，再统一识别，适合语音文件转录。
- Hotword Boosting（热词增强）
- 针对特定词汇（如品牌名、人名）增加模型识别的优先级。