点击上方“AI大道理”，选择“置顶”公众号
为了让识别出来的语音符合常规语言表达，引入了语言模型作为约束。
为了加速解码识别效率又引入了WFST解码机制。
解码本质：解码就是在网络中寻找最优路径。
解码方式多种多样，各有优缺点。
（注：on-the-fly Rescoring 归为动态解码有待商榷）
1 基于Viterbi的原始动态解码
无HCLG、一次解码
基于Viterbi的动态解码是最基础的解码。
线性词典：动态解码网络仅仅把词典编译为状态网络，构成搜索空间。编译的一般流程为：首先把词典中的所有单词并联构成并联网络；然后把单词替换为音素串；接着把每个音素根据上下文拆分为状态序列；最后把状态网络的首尾根据音素上下文一致的原则进行连接，构成回环。
编译出来的网络一般称为线性词典（Linear Lexicon）。
每个单词的状态序列保持严格独立，不同单词的状态之间没有节点共享，因此内存占用比较大，解码过程中的重复计算比较多。
将上图状态拉成直线，做为Y轴，X轴为时间T。
随着时间的推移，帧的移动，逐渐对齐到词的最后一个音素的最后一个状态，比如第7帧对齐到“北京”、“北极”、“南京”等词典中每个词的HMM的最后状态，对比累计概率，挑选出“北京”。继续进行下去，结合语言模型，加入语言模型概率，得到最优路径“北京是首都”，即解码结束。
可见，从状态序列到词序列的整个转化过程十分复杂，且词汇量很大的话，计算量很大，解码效率不高。
树型词典：一般把单词首尾发音相同的部分进行合并，称为树型词典（Tree Lexicon）。由于大量相同状态的节点被合并在一起，因此可以显著降低搜索空间的规模，减少解码过程的运算量。
（该方法基本不用）
2 基于WFST的Viterbi静态解码
HCLG、一次解码
为了加快解码速度，可以把动态知识源提取编译好，形成静态网络，在解码时直接调用。
从输入HMM状态序列，直接得到词序列及其相关得分。
用H、C、L、G分别表示上述HMM模型、三音子模型、字典和语言模型的WFST形式。
一般网络构建的流程为：
或者
声学得分依然还要根据输入特征单独计算，其他知识源词典、语言模型、上下文依赖不需要再考虑，已经融入整个静态网络中，通过网络的转移弧输入、输出、权重来整体代替。
由于静态网络已经把搜索空间全部展开，它只需要根据节点间的转移权重计算声学概率和累计概率即可，因此解码速度非常快。
基于WFST的Viterbi静态解码过程：
解码过程使用了令牌传播机制Token passing，其实就是viterbi解码的通用版本。
1）解码第一帧时，从状态节点0出发，首先进行ProcessEmitting处理的发射状态转移弧，节点0转移到节点3、2、6。接着ProcessNonemitting沿着虚线非发射转移弧将6传播到同一时刻下的状态节点1。
2）解码第二帧时首先切换Token列表，把cur_toks列表转变到pre_toks列表后，将cur_toks置空。然后再进行ProcessEmitting、ProcessNonemitting。
3）随着时间的推移，帧的进行，到达最后一帧，选择最低累计代价的Token，然后以次Token回溯最优路径。
其中：
Emitting Arc 表示发射转移弧，类似HMM的发射状态，观察值产生声学得分
aoustic_cost;
Nonemitting Arc表示非发射转移弧，类似HMM的非发射状态，不产生观察值，没有声学得分；
每条转移弧对应的权重为图代价graph_cost（语言模型得分、转移概率、发音词典）。
Swap(prev_toks,cur_toks) ：
直到最后一帧，选择最低累计代价的Token，根据该Token回溯最优路径。
3 基于WFST的Lattice静态解码
HCLG、一次解码
Viterbi解码识别只保留一条最优路径，若要保存多种候选识别结果，就需要Lattice。
（灵魂的拷问：为什么要保存多种候选结果呢？viterbi识别出一条最优路径不够吗？
AI大语音：不能保证viterbi给的最优路径就是真正的对的路径，错误的路径一样可能成为viterbi算法跑出来的最优路径）
Lattice解码需要保存多条搜索路径，Token间需要有链表信息。
前向链接ForwardList与转移弧不同，用来链接前后两帧之间的发射转移弧之间的Token，或同一时刻非发射转移弧之间的Token。
令牌列表TokenList每帧一个，可以和帧索引建立关联。
基于WFST的Lattice静态解码过程：
问题与解决：
在HCLG中，G的大小对最终的HCLG的大小起主要作用。
静态图HCLG问题：
1）静态图HCLG自身占用空间大，难以使用大的语言模型，其在解码运行过程中占用内存也大，难以在移动端直接使用HCLG。
2) 静态图HCLG构建过程速度慢，消耗内存高。
为了解决该问题，有两种方法：
1）on-the-fly Composition；
2）Rescoring（常规Rescoring、on-the-fly Rescoring）。
4 on-the-fly Composition
HCL/G、一次解码、动态解码
on-the-fly Composition动态解码思路是把HCLG分开成HCL和G，称之为HCL/G。构图时分别构建HCL和G，分别构建的HCL和G。因为不是完全展开的图，这两个图的大小远比其展开的静态图HCLG小，这样就节省了空间。
另一方面无需再进行HCL和G的Compose这一过程，而这一步恰恰是静态图HCLG构建过程中最为耗时的一步，所以又节省了构图时间。
在解码时，分别加载HCL和G，然后根据解码动态的对HCL和G进行按需动态Compose，而无需完全Compose展开。
动态图有什么问题呢？
动态图HCL/G要在解码时动态的做Compose，也就加大了解码时的计算量，所以解码速度会相对降低。
5 Rescoring
HCLG1和G2、二次解码
Rescoring，其思路是在构建时使用小的LM1构建G1，使用G1构建静态图HCLG1，然后使用小的LM1和大的LM2构建G2（G2中LM的weight为LM2的weight减去LM1的weight）。解码时根据HCLG1和G2的使用方式，又可以做进一步细分：
1）常规Rescoring：利用HCLG1先全部解码，生成lattice或者nbest，然后在G2上做lattice和nbest的Rescoring。
2）on-the-fly Rescoring：使用HCLG1做解码，在解码过程中，每当解码出word时，立即再加上G2中的LM weight，所以称之为on-the-fly Rescoring。Kaldi中的BigLM Decoder即为on-the-fly Rescoring。
6 总结
基于Voiterbi的原始动态解码词典一旦很大，计算量就会很大，解码速度很慢。
为了加速解码速度，一方面可以进行剪枝处理，在解码中选出最优路径，超过剪枝阈值的路径则直接删除，不再后续运算。
另一方面可以把知识源预先编译成一个静态网络，在解码中直接使用。其中一般基于WFST的Viterbi静态解码得到的一条最优路径可能并不是实际上真正的最优路径，为了得到更多的候选结果使用基于WFST的Lattice静态解码。
静态解码HCLG占用空间大，难以使用大的语言模型，HCLG在构建过程中速度慢，消耗内存高。
为了解决静态一次解码的问题，可以进行on-the-fly composition动态解码和rescoring解码。
下期预告
AI大语音（十二）——WFST解码器（下）（深度解析）
往期精选
AI大语音（十）——N-gram语言模型
AI大语音（九）——基于GMM-HMM的连续语音识别系统
AI大语音（八）——GMM-HMM声学模型
AI大语音（七）——基于GMM的0-9语音识别系统
AI大语音（六）——混合高斯模型（GMM）
AI大语音（五）——隐马尔科夫模型（HMM）
AI大语音（四）——MFCC特征提取
AI大语音（三）——傅里叶变换家族
AI大语音（二）——语音预处理
AI大语音（一）——语音识别基础
——————
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
—————————————————————
—————————————————————