文章插图
1、首先，我们知道声音实际上是一种波 。常见的mp3、wmv等格式都是压缩格式，必须转成非压缩的纯波形文件来处理，比如Windows PCM文件，也就是俗称的wav文件 。wav文件里存储的除了一个文件头以外，就是声音波形的一个个点了 。
2、在开始语音识别之前，有时需要把首尾端的静音切除，降低对后续步骤造成的干扰 。这个静音切除的操作一般称为VAD，需要用到信号处理的一些技术 。
3、每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠 。我们称为以帧长25ms、帧移10ms分帧 。每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠 。我们称为以帧长25ms、帧移10ms分帧 。
4、分帧后，语音就变成了很多小段 。但波形在时域上几乎没有描述能力，因此必须将波形作变换 。常见的一种变换方法是提取MFCC特征 。
5、至此，声音就成了一个12行（假设声学特征是12维）、N列的一个矩阵，称之为观察序列，这里N为总帧数 。观察序列如下图所示，图中，每一帧都用一个12维的向量表示，色块的颜色深浅表示向量值的大小 。
6、接下来就要介绍怎样把这个矩阵变成文本了 。首先要介绍两个概念：音素：单词的发音由音素构成 。对英语，一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集，参见The CMU Pronouncing Dictionary 。
【语音识别原理 五分钟就能弄懂】7、语音识别是怎么工作的呢？实际上一点都不神秘，无非是：第一步，把帧识别成状态（难点）；第二步，把状态组合成音素；第三步，把音素组合成单词 。
推荐阅读
- 区块链技术原理与应用 介绍一下
- 水泥磨减速机结构图 重齿水泥磨减速机工作原理
- 荣耀手环5的血氧检测功能是什么原理
- 除毛器电路原理 如何保养除毛器
- 雷达感应灯原理
- 电脑无法识别键盘 7个步骤帮你搞定
- 天问一号深空自拍如何实现 具体的拍摄原理是什么
- 电脑微信语音无法出声
- 如何识别创业机会和规避创业风险 如何识别创业机会
- 点钞机原理 快来了解下吧