語音識別Viterbi解碼

語音識別解碼過程使用的是Viterbi算法救恨,本質上是一種動態(tài)規(guī)劃算法陷揪,能夠得到全局最優(yōu)解王滤。為了進一步減少計算復雜度腿准,引用了Beam Search 算法际起,可以在損失微小性能的條件下提高解碼速度,Beam Search無法保證全局最優(yōu)解吐葱。

Viterbi解碼算法

Viterbi解碼

如果從起點到終點有一條最終路徑街望,那么這條路徑子路徑也是從起點到相應時刻點的最優(yōu)路徑。如上圖弟跑,紅線是一條從起點到終點的最優(yōu)路徑灾前,那么從起點到時刻4的紅線部分也是該時間段的最優(yōu)路徑。換句話說孟辑,任一時刻哎甲,只需記錄到該時刻所有狀態(tài)的最優(yōu)路徑即可蔫敲,以時刻4為例,在時刻4炭玫,只需記錄時刻4上經(jīng)過三個狀態(tài)S1,S2,S3的最優(yōu)路徑即可奈嘿,也就是只需要記錄三條路徑,接著到時刻5吞加,時刻5的S3狀態(tài)有兩條路徑經(jīng)過裙犹,取其中最優(yōu)路徑,時刻5的S2衔憨、S1狀態(tài)類似叶圃,也就是說到了時刻5,仍然只需要記錄三條路徑即可践图。
所以每一時刻需要做兩次循環(huán)盗似,外層循環(huán)現(xiàn)在時刻所有狀態(tài),內層循環(huán)現(xiàn)在時刻某一狀態(tài)到下一時刻所有狀態(tài)平项。時間復雜度N^2赫舒,所有時間段時間復雜度TN^2。上圖中闽瓢,N=3接癌,實際大規(guī)模語音識別中任一時刻的狀態(tài)可能很大,比如5000個扣讼,這樣即使使用了維特比缺猛,時間復雜度還是太大,實際中為了解決這個問題椭符,引入了Beam Search算法

Beam Search 算法

Viterbi解碼中涉及到現(xiàn)在時刻state數(shù)目以及下一時刻state數(shù)目荔燎,如果我們想要提高解碼速度,需要對這兩個數(shù)值都做縮減销钝。
實際做法是設置閾值有咨,減少語音識別中現(xiàn)在時刻以及下一時刻狀態(tài)數(shù)目,具體做法是:

  1. 對所有狀態(tài)排序蒸健,最優(yōu)狀態(tài)放最前面座享,最優(yōu)狀態(tài)得分=best_weight
  2. 設置一個beam,設置閾值1=cur_cutoff似忧,cur_cutoff=best_weight+beam渣叛,所有得分在cur_cutoff以內的,保留盯捌,反之丟棄淳衙,現(xiàn)在時刻的state數(shù)目減少。
  3. 計算到下一時刻的最優(yōu)路徑得分new_weight。
  4. 設置一個adaptive_beam, 設置閾值2=next_cutoff箫攀,next_cutoff=new_weight+adaptive_beam肠牲,所有得分在next_cutoff以內的,保留匠童,反之丟棄埂材,下一時刻的state數(shù)目減少。

kaldi實際解碼過程中汤求,cur_cutoff俏险、next_cutoff這兩個閾值是計算出來,涉及到的傳入?yún)?shù)包括:config_.beam扬绪,config_.beam_delta竖独,config_.max_active,config_.min_active挤牛。之所以引入max_active莹痢,min_active是為了保證任意時刻的state數(shù)目在[min_active,max_active]之間墓赴,單純的只用beam竞膳,有可能會導致某一時刻state數(shù)目過大或者過小。

具體Kaldi代碼解析見Kaldi 解碼代碼解析

Reference

http://kaldi-asr.org/doc/index.html

注1: 安德魯·維特比(Andrew J. Viterbi)诫硕,CDMA之父坦辟,IEEE Fellow ,高通公司創(chuàng)始人之一章办,高通首席科學家锉走。他開發(fā)了卷積碼編碼的最大似然算法

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市藕届,隨后出現(xiàn)的幾起案子挪蹭,更是在濱河造成了極大的恐慌,老刑警劉巖休偶,帶你破解...
    沈念sama閱讀 222,681評論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件梁厉,死亡現(xiàn)場離奇詭異,居然都是意外死亡椅贱,警方通過查閱死者的電腦和手機懂算,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,205評論 3 399
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來庇麦,“玉大人,你說我怎么就攤上這事喜德∩介希” “怎么了?”我有些...
    開封第一講書人閱讀 169,421評論 0 362
  • 文/不壞的土叔 我叫張陵舍悯,是天一觀的道長航棱。 經(jīng)常有香客問我睡雇,道長,這世上最難降的妖魔是什么饮醇? 我笑而不...
    開封第一講書人閱讀 60,114評論 1 300
  • 正文 為了忘掉前任它抱,我火速辦了婚禮,結果婚禮上朴艰,老公的妹妹穿的比我還像新娘观蓄。我一直安慰自己,他們只是感情好祠墅,可當我...
    茶點故事閱讀 69,116評論 6 398
  • 文/花漫 我一把揭開白布侮穿。 她就那樣靜靜地躺著,像睡著了一般毁嗦。 火紅的嫁衣襯著肌膚如雪亲茅。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,713評論 1 312
  • 那天狗准,我揣著相機與錄音克锣,去河邊找鬼。 笑死腔长,一個胖子當著我的面吹牛袭祟,可吹牛的內容都是我干的。 我是一名探鬼主播饼酿,決...
    沈念sama閱讀 41,170評論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼榕酒,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了故俐?” 一聲冷哼從身側響起想鹰,我...
    開封第一講書人閱讀 40,116評論 0 277
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎药版,沒想到半個月后辑舷,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,651評論 1 320
  • 正文 獨居荒郊野嶺守林人離奇死亡槽片,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 38,714評論 3 342
  • 正文 我和宋清朗相戀三年何缓,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片还栓。...
    茶點故事閱讀 40,865評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡碌廓,死狀恐怖,靈堂內的尸體忽然破棺而出剩盒,到底是詐尸還是另有隱情谷婆,我是刑警寧澤,帶...
    沈念sama閱讀 36,527評論 5 351
  • 正文 年R本政府宣布,位于F島的核電站纪挎,受9級特大地震影響期贫,放射性物質發(fā)生泄漏。R本人自食惡果不足惜异袄,卻給世界環(huán)境...
    茶點故事閱讀 42,211評論 3 336
  • 文/蒙蒙 一通砍、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧烤蜕,春花似錦封孙、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,699評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至斑匪,卻和暖如春呐籽,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背蚀瘸。 一陣腳步聲響...
    開封第一講書人閱讀 33,814評論 1 274
  • 我被黑心中介騙來泰國打工狡蝶, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人贮勃。 一個月前我還...
    沈念sama閱讀 49,299評論 3 379
  • 正文 我出身青樓贪惹,卻偏偏與公主長得像,于是被迫代替她去往敵國和親寂嘉。 傳聞我的和親對象是個殘疾皇子奏瞬,可洞房花燭夜當晚...
    茶點故事閱讀 45,870評論 2 361

推薦閱讀更多精彩內容

  • 隱馬爾可夫模型(Hidden Markov Model,HMM) 最初由 L. E. Baum 和其它一些學者發(fā)表...
    vlnk2012閱讀 6,705評論 3 47
  • Beam Search 簡介 一泉孩、概要 傳統(tǒng)的廣度優(yōu)先策略能夠找到最優(yōu)的路徑硼端,但是在搜索空間非常大的情況下,內存...
    MiracleJQ閱讀 9,878評論 0 6
  • 真理藏在反常出
    金蟾云世界閱讀 101評論 0 0
  • 一寓搬、 細節(jié)是什么珍昨? 細節(jié)是在群里弱弱地問了個問題,然后居然接到虞瀟君的好友請求句喷,是在他的微信名中“yxjcxf-5...
    小曉真兒閱讀 993評論 2 2
  • 有一天一個女生沖進校長辦公室 對校長說: 【有個男子一直在騷擾我給我寫信】 并把所有信件倒在了桌子上 校長閱讀后 ...
    Toptatoo閱讀 176評論 0 0