1 系统概要
孤立词识别：语音中只包含一个单词的英文识别
识别对象：0-9以及o的英文语音
训练数据：330句话，每个字符30句话，11个字符
测试数据：110句话，每个字符10句话，11个字符
模型：混合高斯模型（GMM），k=5个分量
环境：window、Pycharm、python3.5、utils、numpy、scipy
目标：单个字符的识别准确率大于97%
流程：
2 训练数据准备
本系统所用的数据为0-9（其中0的标签为Z（Zero））和o这11个字符的英文录音，每个语音对应的39维MFCC特征提前提取好。
系统中，每个字符用一个GMM来建模，每个GMM包含5个Gaussion分量。
在识别、预测阶段，对于某句话，对数似然最大的模型对应的字符为当前语音数据的预测结果。
训练数据：330句话，每个字符30句话，11个字符。
train文件下有语音文件、feats.ark、feats.scp、wav.scp、text文件。
wav.scp：句子id到wav的路径的映射，所用到的数据wav文件的相对路径。
feats.scp：语音识别工具kaidi提取的特征文件之一，句子id到特征数据真实路径和位置的映射。
text：句子id到标签的映射，本实验中标签（语音对应的文本）只能是0-9，o这11个字符。
feats.ark：语音识别工具kaidi提取的特征文件之一，特征实际存储在ark文件中，二进制。
3 GMM模型训练
每个GMM（0-9，o）都是用它对应的语音数据训练，测试的时候，也只能整段语音分帧、加窗、提特征，然后在每个GMM上，计算每一帧的似然最后求和得到最终似然。
GMM模型训练过程：
（1）MFCC特征提取已事先提取好。
（2）K-Means算法进行初始化GMM参数。
K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。
输入：样本集D={x1,x2,...xm}，聚类的簇树k=5，最大迭代次数N。
输出：簇划分C={C1,C2,...Ck}
1) 从数据集D中随机选择k个样本作为初始的k个质心向量：{μ1,μ2,...,μk}
2）对于n=1,2,...,N
a) 将簇划分C初始化为Ct=∅，t=1,2...k
b) 对于i=1,2...m，计算样本xi和各个质心向量μj(j=1,2,...k)的距离：
将xi标记最小的为dij所对应的类别λi。此时更新Cλi=Cλi∪{xi}
c) 对于j=1,2,...,k，对Cj中所有的样本点重新计算新的质心
d) 如果所有的k个质心向量都没有发生变化，则转到步骤3）
3） 输出簇划分C={C1,C2,...Ck}
算法实现：
11个GMM都要初始化，其中Z的GMM模型的初始参数为：
mu.shape (5, 39)
sigma.shape (5, 39, 39)
pi.shape (1, 5)
（3）EM 算法训练GMM模型
算法实现：
五次迭代，每次迭代后对数似然概率都在增大。
其中：
高斯概率：gaussian(X[n], self.mu[k], self.sigma[k])
算法实现：
对数似然：calc_log_likelihood(X)
算法实现：
迭代过程：（Z的GMM模型）
（O的GMM模型）
等等。
训练时间：17.5分钟
4 GMM预测
测试数据：110句话，每个字符10句话，11个字符
GMM预测过程：
（1）MFCC特征提取已事先提取好。
（2）11个GMM模型已经训练好。
（3）每个测试语音计算每一个模型的对数似然概率。
（4）对数似然最大的对应的模型即为预测输出。
（5）将预测输出与标签对比，计算模型测试准确率。
可见模型3对数似然最大，即这条语音预测为“3”。
predict_target：3
测试时间：test time: 12分钟
模型测试准确率：97.27%
5总结
基于GMM的11个单词孤立词识别准确率达97.27，满足设计要求。
基于GMM的0-9孤立词识别系统以词为训练单位，添加新词汇需要重新进行训练，若要涵盖所以词，差不多6万个词，训练量极大，预测时也要计算6万个模型的似然，哪个大预测出哪个，在实际应用中有局限性，只能应用于小词汇量场合。
本系统识别了0-9的数字的英文单词，但是假如有人用英文报电话号码，是识别不了整个号码的，甚至识别不了其中的one。
孤立词识别这个模型无法从一连串英文号码（里面包含了one two等多个数字）中准确识别出one，关键点在于连续语音中不知道哪些语音信号是one，哪些是two，或者说不知道哪些帧是one哪些帧是two，所以需要HMM进行对齐，才能进行连续语音识别。
灵魂的拷问：如果使用孤立词识别这个模型去预测连续的一个语音，会怎么样呢？
AI大语音：结果会是给定的类别中的一个，这就造成了误识别。系统中只有11个类别，任何语音，即使和我们的目标语音完全无关，也会根据计算的似然结果，选择最大的这个。就像CNN进行图像分类一样，输入的图像不管是不是类别中的，都会有一个最大输出，都会归于一类中。
连续语音识别如微信语音识别（语音转文字），输入的都是句子，而不是单个词，这就需要GMM-HMM模型了。
附录（魔鬼写手）
——————
浅谈则止，细致入微AI大道理
扫描下方“AI大道理”，选择“关注”公众号
欢迎加入！
▼
下期预告
▼
AI大语音（八）——基于GMM-HMM的语音识别系统
▼
往期精彩回顾
▼
AI大语音（一）——语音识别基础
AI大语音（二）——语音预处理
AI大语音（三）——傅里叶变换家族
AI大语音（四）——MFCC特征提取
AI大语音（五）——隐马尔科夫模型（HMM）
AI大语音（六）——混合高斯模型（GMM）