语音识别（Speech Recongnition）

Speech Recongnition
TTS（Text-to-Speech），属于Speech Synthesis

典型模型Tacotron，用的是一个典型的 Seq2Seq + Attention 的模型架构。它输出还会有个后处理（Post-processing）才会产生声音频谱（spectrogram）。

CBHG结构（G2P，Grapheme-to-Phoneme，字素到音素）：

SR基本概念

语音模型：即将 sound 转为 text。

Text： a sequence of Token 长度：N，总种类数量：V
Sound： vectors sequence 长度：T，维度：d

一、Text Token

Phoneme（音位、音素）：即 a unit of sound，可以理解为发音的音标
Grapheme（字位，书写位，最多使用⭐）：即 smallest unit of a writting，比如【26个英文字母+空格+标点符号】
Word：即语言中的单词
Morpheme（字位，书写位）：即 smallest meaningful unit，比如英语单词的词根。词素是构成词的要素。词素是比词低一级的单位，词是语言中能够独立运用的最小单位，是指词在句法结构中的地位和作用而言的。
Bytes：直接用字节表示一组Text，常见的诸如 UTF-8 编码

二、声音特征 Acoustic Feature

通常以 25ms 为窗口长度，将声音讯号转为一个向量（frame，也即帧），每次窗口移动 10ms，也就是说 1s →100 frames

frame 制作方法

sample points：当声音采样率在 16KHz 时，其在 25ms 内一共有 400个 sample points，直接将这400个数字拿过来当frame即可
39-dim MFCC：一共有39维
80-dim filter bank output：一共有80维

frame 制作过程
首先，Waveform（波形）通过 DFT 变为 spectrogram（频谱），此时已经可以用于训练了

一个人说一句话，其 waveform 可以很不一样，但是 spectrogram 基本上会相似，甚至有人可以通过 spectrogram 来判断说话的内容

DFT（Discrete Fourier Transform）是将连续音频信号转换为离散频域表示的一项重要操作。DFT是一种数学变换，用于将时域信号（如音频波形）转换为频域表示。它是连续傅立叶变换（Continuous Fourier Transform，CFT）的离散版本，适用于离散时间序列。

然后，spectrogram 通过 filter bank（滤波器组）变为一个个向量

滤波器组（filter bank）是由一组滤波器所组成的系统，用于对输入信号进行频率分析。在声学特征提取中，常用的滤波器组是梅尔滤波器组（Mel filter bank）。梅尔滤波器组是一种非线性的滤波器组，它的设计基于梅尔刻度（Mel scale），该刻度是一种根据人耳感知频率的特性而设计的心理声学刻度。

随后再取 log，再进行 DCT，最后生成 MFCC。

在声学特征提取中，通常会使用梅尔滤波器组计算每个滤波器通道的能量，得到梅尔频谱系数（Mel-frequency cepstral coefficients，MFCCs）。然而，MFCCs包含了大量的频率信息，而且相邻帧之间往往高度相关，这可能导致冗余信息和过多的数据。
为了降低数据维度并捕捉主要信息，通常会将MFCCs序列通过DCT转化为倒谱系数（Cepstral coefficients）。倒谱系数不同于原始频谱系数，它们具有更好的特性和表示能力，适合语音和音频信号的建模和分析。

MFCC 其实为 MFCC系数，MFCC（Mel Frequency Cepstral Coefficients）是一种常用于音频信号处理和语音识别领域的声学特征提取方法。在声学特征提取中，MFCC用于将连续的音频信号划分成一帧一帧的小片段，并将每帧表示为一组系数，以便在后续的分析中使用。

Listen, Attend and Spell（LAS）

Listen：即 Encoder；Spell：Decoder，这是一个经典的使用注意力机制的 seq2seq 模型

一、Listen

输入：一串 acoustic features（声音向量）
输出：同样也是一串向量，数量、维度和长度均和输入相同
作用：提取语言内容信息，将音频信号分析为高级的声学特征表示，将语种之间的差异抹除，将噪声去除

种类：
1. RNN（Recurrent Neural Network）
2. 1-D CNN（一维卷积神经网络）
3. Self-attention Layers（自注意力）

Down Sampling
起因：数据量过大，计算量过大，相邻 acoustic features 包含信息差异较小，为了节省数据量，让训练更有效率

种类：

Pyramid RNN：两个 Tensor 结合起来送入下一层，RNN的变种
Pooling over time：两个 Tensor 选一个送入下一层，RNN的变种
Time-delay DNN（TDNN）：CNN的常见变种
Truncated Self-attention：在生成output时，一个Tensor的attention只作用于一段范围，而不是整个input，Self-attention的变种

二、Attention（Attend）

主要作用是通过注意力机制建立声学特征和文本之间的关联，帮助模型更好地将声学特征转化为文本输出。其可以动态地分配注意力权重，以捕获输入序列中不同位置的重要信息的关键组件。

参考：https://blog.csdn.net/m0_56942491/article/details/133984968

三、Spell

上下文信息融合：
- Input：
  - 前一个时间步的隐藏状态（ $z_i$ ，初始为 $z_0$ ）
  - 前一个时间步生成的标记（token，初始为起始符号如<s>）
  - 当前时间步"Attend"环节的输出（即上下文向量Context Vector）
- Method：通常是使用前馈神经网络，如RNN单元
- Output：
  - 新的隐藏状态 $z_1$
  - vocabulary 各个token的概率值（distribution）。
随后一般就从 distribution 中取概率值最大的那个token，作为本次的 token 输出，比如cat，第一次输出token：c。

需要明确的是，如何选取 token 也是需要进行研究的，这里取概率值最大的 Token 采用的技术叫 贪心解码（Greedy Decoding），常见的还有 束搜索（Beam Search）
然后将刚刚得到的新的hidden state z1，去做attention，得到c1，然后再进行刚刚的操作，即将得到的 z1 投入新一轮的 attention 中，计算得到c1，再去计算下一轮。
然后不停循环，直到最后生成结束标志或达到最大生成长度为止。