一入客、語音的構成
1. 為什么有monophone和triphone
coarticulation協(xié)同發(fā)音（指的是一個音受前后相鄰音的影響而發(fā)生變化铛铁，從發(fā)聲機理上看就是人的發(fā)聲器官在一個音轉向另一個音時其特性只能漸變，從而使得后一個音的頻譜與其他條件下的頻譜產(chǎn)生差異），所以將一個音素劃分為幾個亞音素單元。如：數(shù)字“three”霎奢，音素的第一部分與在它之前的音素存在關聯(lián)，中間部分是穩(wěn)定的部分饼灿，而最后一部分則與下一個音素存在關聯(lián)幕侠。
2. senone多元音素
考慮上下文關聯(lián)，一個senone的上下文依賴比單純的左右上下文復雜得多碍彭，它是一個可以被決策樹或者其他方式來定義的復雜函數(shù)（英語的上下文相關建模通常以音素為基元晤硕，由于有些音素對其后音素的影響是相似的，因而可以通過音素解碼狀態(tài)的聚類進行模型參數(shù)的共享庇忌。聚類的結果稱為senone舞箍。決策樹用來實現(xiàn)高效的triphone對senone的對應，通過回答一系列前后音所屬類別（元/輔音皆疹、清/濁音等等）
3. 音節(jié)syllables
phones->subword units = syllables音節(jié)是一個比較穩(wěn)定的實體疏橄，因為當語音變得比較快的時候，音素往往會發(fā)生改變略就，但是音節(jié)卻不變捎迫。
4. 單詞word
subwords->word，相對于全部組合表牢，只有少數(shù)組合有意義（是存在的單詞）
5. 話語utterances
words+filters（呼吸窄绒，um，uh崔兴，咳嗽等）=utterance
二颗祝、識別過程
1. 概述
waveform->根據(jù)silences分割為多個utterances浊闪，識別每個utterance
2. 特征
waveform分割成10ms的frame恼布，每個frame提取39維特征
3. 模型
senone->GMM
4. 匹配
特征向量和模型匹配
三螺戳、模型
1. 聲學模型
每個senone的聲學屬性，其包括不依賴于上下文的屬性（每個音素phone最大可能的特征向量）和依賴于上下文的屬性（根據(jù)上下文構建的senone）
2. 字典
從單詞words到音素phones之間的映射折汞。還可以通過運用機器學習算法去學習得到一些復雜的函數(shù)去完成映射功能倔幼。
3. 語言模型
用來約束單詞搜索的。它定義了哪些詞能跟在上一個已經(jīng)識別的詞的后面（匹配是一個順序的處理過程）爽待，這樣就可以為匹配過程排除一些不可能的單詞损同。
四、其他
1.lattice
代表識別的不同結果的有向圖鸟款。一般來說膏燃，很難去獲得一個最好的語音匹配結果。所以Lattices就是一個比較好的格式去存放語音識別的中間結果何什。
2. N-best lists
和lattices有點像组哩，但是它沒有l(wèi)attices那么密集（也就是保留的結果沒有l(wèi)attices多）。（N-best搜索和多遍搜索：為在搜索中利用各種知識源处渣，通常要進行多遍搜索伶贰，第一遍使用代價低的知識源（如聲學模型、語言模型和音標詞典）罐栈，產(chǎn)生一個候選列表或詞候選網(wǎng)格黍衙，在此基礎上進行使用代價高的知識源（如4階或5階的N-Gram、4階或更高的上下文相關模型）的第二遍搜索得到最佳路徑荠诬。）
3. Word confusion networks (sausages)
從lattice的邊緣得到的一個嚴格的節(jié)點順序序列琅翻。
參考資料
https://blog.csdn.net/zouxy09/article/details/7941055
https://cmusphinx.github.io/wiki/tutorialconcepts/
