根据贝叶斯决策理论，我们的任务就是找到个最有的单词序列，使得它在语音观察序列上的后验概率 |是声学模型概率，它描述的是段语音信号对应的声学特征和单词序列的相似程度 语言模型概率，它描述的是单词序列可能出现的概率。 寻找最优的单词序列，即在所有可能的单词序列候选中寻找，使其声学模型和语言模型的概率乘积 大。这中间包含三个问题:第是如何遍历 丹麦电报数据库 所有可能的单词序列；第二是如何计算声学模型概率。
第三是如何计
算语言模型概率。 为了解决这三个问题，典型的大词表连续语音识别（系统采用如下图所示的主流框架： 用户语音输入后，首先经过前端处理提取声学特征，得到系列的观察向量；然后将声学特征送到解码器中进行搜索，完成所有可能的单词序列的遍历，得到识别结果。解码器在搜索过程中，需要使用声学模型和词典计算概率 ，使用语言模型计算概 。 声学模型和语言模型由大 踪和管理其软件项 量数据训练而成；发音词典根据语言学知识定义了每个单词到发音单元的映射关系。
整个系统的链路比较长
模块众多，需要精细调优每个组件才能取得比较好的识别效果。 学模型 人耳接收到声于 上次审核 上海音后，经过神经传导到大脑分析判断声音类型，并进步分辨可能的发音内容。 人的大脑从出生开始就不断在学习外界的声音，经过长时间潜移默化的训练，最终才听懂人类的语言。机器和人样，也需要学习语言的共性和发音的规律，建立起语音信号的声学模 才能进行语音识别。声学模型是语音识别系统中最为重要的模块之。声学建模包含建模单元选取、模型状态聚类、模型参数估计等很多方面。