求解释WFST在连续语音识别的应用
语音识别系统结构--鸟瞰 - by21010的专栏 - 博客频道 - CSDN.NET
这篇文章后半部分是一个关于 WFST 和解码的简要介绍。
■网友
WFST字面意思就是带权重的有限状态转录机(器)，也即是对应构图过程，如果声学模型用HMM-DNN架构，构图则是构建HCLG图的的过程，这个图对应有输入，输出，对应的权重，边和结点等元素，HCLG构建好图之后，语音识别过程可以理解为在构好的图中进行静态解码的过程，也就是给输入（对应声学特征经过神经网络后验概率最大的音素或senone），在图中进行Beam search 遍历搜索找到对应权重最大（如果是log 负对数的话，就是权重值最小）的词序列输出的过程，但是，工业中G往往非常大，所以很难构出HCLG大图（内存不够），因此业界常用的解码算法是二遍解码，解码时首先用小的G1，构建出一个HCLG1，解码时得到一个词图（lattice），然后用一个大的G2，进行重打分（rescore）得到最终的语音识别结果，二遍解码的好处是不需要构建一个大的HCLG图，当然带来的坏处就是解码因为是二遍的，所以时间延迟要比直接在HCLG大图进行静态解码速度慢一些。当然还有其他解码优化策略，比如on the fly resore等，但是都要比静态解码慢。当然上面说的前提都是声学模型用HMM-DNN架构需要构建HCLG图和对应的解码，如果声学模型是端到端的，比如苗亚杰博士的 EESEN: END-TO-END SPEECH RECOGNITION USING DEEP RNN MODELS AND WFST-BASED DECODING 。那么没有HMM假设，构图的过程就是构建TLG的过程，解码算法基本如上所示，说了这么多，还不如画个图，回头补上。
■网友
【求解释WFST在连续语音识别的应用】 连续语音识别中，工程上一个重大的问题，要建立搜索网络，传统的方法，是根据LM来动态扩展网络, 扩展的网络把 CD phone, HMM 加入进来。 WFST方法是建立静态网络， L, G , C ，H ,首先就生成graph , 然后对图进行确定化，最小化操作。解码的时候，直接加载这个网络，然后进行解码。
■网友
建议还是看英文文献吧，做语音识别不啃原文献是入门不了的。
推荐阅读
- 续航|单次最大续航里程420km ID.3创连续行驶世界纪录
- 网通社|喜欢蔚来的越来越多了 连续四个月交付创新高 你是否愿意放弃特斯拉选择它？
- 子李汽车|未来可期 东风雪铁龙11月环比增长33%，连续三月正增长
- 隐秘而伟大|连续19天拿冠军，这剧凭什么能让央视“引以为傲”？
- 趣头条|连续4个月销量超2万辆 红旗汽车有望完成20万年销量目标
- |南通市天然气供应再创新高
- 汽车舆生活|又一国产车彻底倒下了！连续9个月销量为0，难道是国人不识货吗？
- 这个大叔太暖了！高校保安连续14天接送骨折女生上课
- 燃气|连续三天突破100万方！我市天然气供应再创新高
- 跟我视驾|连续漂移210圈，保时捷Taycan创电动车吉尼斯世界纪录