第六章 辨識結果和結論 36
6.1.2 實驗環境
( , ) min ( ', 1) ( )t
q q x w
S q t S q t B o w
但在有限狀態機的開始時，我們必頇給予搜尋空間中的狀態，一個起始的分數：
如果 q i
時，S q( ,0) 1 ，我們以機率為 1 來表示，其餘的狀態S q t( , )0，我們 以機率為 0 表示不會存在。狀態分數不為 0 的狀態，我們稱為活躍狀態（active state）。在隨著時間陸續增加時，活躍狀態也會著有限狀態轉換機不斷增加。由於整合後的有限狀態機，狀態數非常的大，因此，倘若時間一增加後，我 們計算所有的狀態最佳分數時間複雜度為O Q(| | )2 ，必然十分可觀。為了可以有 效率的計算狀態分數，我們可以假設最後所得到的最佳路徑中，每一個時間點的 狀態分數必然為該時間點的前幾名。因此，我們引用光束搜尋，在搜尋時設定一 個光束寬度（beam width），在我們確立每個時間的最高分數後，若排名超過光 束寬度的狀態，則我們就使該狀態分數S q t( , )0。在本系統中，我們使用了另 一種方式來限制狀態數，我們設定了每個時間點所存活的狀態數(window size)，
藉此，來使有限狀態機的活躍狀態個數得以控制。
6.1.2 實驗環境
以連續中文語音辨認的環境和結果。測詴平台使用的是 Intel(R) Core(TM)2 Extreme CPU X9650 @ 3.00GHz，記憶體為 8Gbytes。
聲學模型
使用的聲學模型是隱藏式馬可夫模型，由 415 個音節所構成，其中含三個靜 音模型（一個長 sil 具有十個狀態構成、一個長 sp 為十個狀態構成、一個短 sp
具有三個狀態構成），一個 unk 模型（具有三個狀態構成）。其餘非靜音模型中，
每個音節皆為十個狀態構成 ，每一個狀態機率分佈為六十四個高斯分佈的模型。
發音詞典
以六萬詞做為發音詞典。發音詞典由一到八字詞所組成。
語言模型
將 TCC300 中的 845 個檔案做為訓練語料，此語言模型為 bi-gram 語言模型，
具有 7457177 個 bi-gram 機率，和 60000 個 uni-gram 機率，以及其 60000 個詞後 撤機率，共有 7577177 個機率分數。
測詴語料
我們將測詴分為三個部份。
第一部份－我們將 NCKU 中 83 個音檔，共 9739 個音節，做完整的測詴，
來得到測詴結果。此結果，將和 HTK 做比較以證明系統正確性。
第二部份－我們取 NCKU 的前 25 個音檔，來做為測詴語料，來分析辨識系 統中所需要的參數。（Window size 和 Language model weight）
第三部份－TCC300 語料中的 NCKU 和 NTU 和 NCTU 三個部份，各取 25 個音檔來做為測詴語料，並分別得到測詴結果。其中 NCTU 具有 2448 個 syllable，
NTU 具有 894 個 syllable，NCKU 具有 3274 個 syllable。
有限狀態機
我們以上述各模型來整合成有限狀態轉換機，我們可以得到各層有限狀態 機；我們已知有限狀態機組合的演算法，十分耗費記憶體資源和時間，故我們先 在組合運算前用合併演算法，來降低各有限狀態機的狀態和轉移數。表 6.1 和 6.2 為使用合併演算法前後所得到不同的轉移個數。
我們可以發現合併演算法所獲得的效果，只有發音詞典才有獲得部份縮小的
效益，這是由於只有發音辭典中，才具有能夠合併的路徑，但由於本論文中的合 併演算法，並沒有結合其餘有限狀態機的分數轉移技術，因此，相信合併演算法 尚有發展的空間。
表 6.1 各別轉成有限狀態機後的資料 合併前 總狀
態數
終止
狀態數 總轉移數 隱藏式馬可夫模型(H) 3722 414 7447 發音詞典(L) 233449 60000 353451 三連音模型 (G) 60004 1 7577177
表 6.2 合併演算法後各有限狀態機資料 合併後 總狀
態數
終止
狀態數 總轉移數 隱藏式馬可夫模型(H) 3307 1 7032 發音詞典(L) 218380 1 278382 三連音模型 (G) 60004 1 7577177
在經過合併演算法所產生新的有限狀態機後，我們將新的有限狀態機拿來做 組合運算，將三層的語音資料，整合成一個具有所有語音資料的大型有限狀態 機，以此有限狀態機來做為語音辨識時所使用的搜尋空間。整合後的有限狀態機 如表 6.3 所示。
表 6.3 整合完成後的有限狀態機
總狀態數 終止狀態數 總轉移數 H L G 1951087 1 11434003