一、总述
解码器是ASR重要的组件之一，在传统的基于GMM-HMM/DNN-HMM混合系统中，解码器架起语言模型、声学模型、发音词典等知识源的桥梁，得到最终的识别结果，如图1所示。
随着深度学习技术的盛行，一系列ASR端到端系统、ASR-NLP端到端系统甚至ASR-NLP-TTS端到端系统被相继提出，解码器的作用在被一步步弱化，但是笔者认为，抛弃解码器，实现完全的端到端系统还有相当长的路要走。因为文本数据和语音数据之间存在着很大的数据差异，单靠一个网络很难有比较好的效果，使用语言模型，往往会使结果更佳。
解码器是一个系统性的东西，要写一个好的解码器，不仅需要扎实的工程实现能力，而且要对声学模型、语言模型、发音词典等知识有一定的理解。所以下面简单介绍ASR每个组件。
二、声学特征提取
利用声音信号的短时平稳性，对音频进行分帧，提取每帧的特征，ASR常用的特征有Fbank、MFCC等。当然也有一些利用DNN提取特征的方法，目前还不是主流方法。
图2为Fbank提取过程，图3为MFCC提取过程。
MFCC是在Fbank的基础上做DCT变换，去除特征维度之间的相关性，同时也可以起降维的作用。
三、声学模型
利用声学特征和对应的标签，训练声学模型，目的是建立声学信号和建模单元之间对应的概率分布，常用的建模单元有HMM状态、音素、音节、字等。主流的模型结构有GMM-HMM、DNN-HMM、DNN-CTC等。随着深度学习的兴起，GMM-HMM已经逐步被DNN-HMM及端到端技术所替代。
在基于HMM框架中，GMM、DNN建立信号的静态分类，作为HMM的发射概率，HMM建立信号的动态时间特性。
图4为一般的DNN，HMM模型，图中上图表示三个状态的HMM模型，0状态和4状态分别是起始状态和结束状态，一般用一个HMM来表示一个音素（monophone或triphone），即如果有100个音素，那么就有100个HMM（音素绑定另说），如果每个音素有3个状态（状态绑定另说），那么总共的状态个数就是100*3=300，状态的个数等于DNN的输出节点个数，图中下图表示一个简单的DNN，输入层维度是3，两个隐藏层维度为5，输出层维度是3，在识别任务中，输入层的维数是特征向量的维数（输入层有拼帧另说），输出层的维数是建模单元的个数，如果以音素建模，那么输出层的维数就是音素的个数，隐藏层的层数和节点数依据任务的复杂度而定。
在基于WFST解码过程中，特征做为DNN的输入，输出为各建模单元的概率。HMM与发音词典、语言模型组合，形成一个大的FST解码网络，解码网络的输入是各建模单元。这里DNN是泛指一切神经网络，包括DNN、CNN、RNN、LSTM、GRU等。
可以通过查看DNN的后验概率分布分析声学模型优略，比如，概率比较平均说明模型的区分性不是很好，可以使用区分性训练准则加强声学模型等。
四、语言模型
语言模型建立文本逻辑的合理性模型，统计词与词之间的相关性。常用的语言模型有NGRAM、RNN-LM、正则语法JSGF等，由于RNN语言模型很难用于实时解码，所以一般和NGRAM语言模型结合使用，即用RNN重新计算NGRAM的统计概率。
图5为二元NGRAM语言模型arpa文件，从arpa文件可以容易看出，高元概率一般比低元概率要大，这样在解码中，尽量少回退，回退会使累计概率降低，候选路径惩罚加大，容易被裁。
大规模连续语音识别中，NGRAM语言模型元数越高越好，但是限于效率的考虑，一般做到三元或四元即可。有些限定领域比如古诗词等领域，可以做到六元、八元甚至十元模型。视具体的应用场景而定语言模型的规模。
鉴定语言模型的优略可以通过测试集验证模型的困惑度（PPL）。如果PPL较小说明训练集与测试机越匹配，模型就越好。
五、发音词典
发音词典建立声学模型和语言模型之间的桥梁，一个好的词典对识别性能起着重要的作用，这一部分通常是语言专家制定并人工制作，常用的声学建模单元是以声韵母建模，发音词典就是每个词的发音符号表，如图6所示。
中文识别中经常会出现同音异形字，一般会通过在发音后面添加消岐符加以区分，比如在中和忠后面加上#1和#2。这样每一个音会有特定的词与它对应，有利于最终FST的确定化。
词典的规模视具体应用而定，如果是通用领域，词典规模可以在百万级，如果是限定领域，词典规模可以在十万级，如果是命令词识别，词典规模则更低。
六、解码器
利用发音词典、声学模型、语言模型等知识源构建解码图，并在解码图中寻求最优路径。
根据语言模型使用的不同角度，解码可以分为动态解码和静态解码，在动态解码过程中，以词典树为中心，在语言模型中动态查找语言得分，而静态解码是语言模型提前静态编进解码图，通过确定化、权重前移、最小化等一些列优化操作，解码效率更高，但是内存占用率更大。所以选用哪种解码策略，依据具体的应用而定。比如，大词汇量在线语音识别，对实时率要求较高，可以选用静态解码，而对于专用芯片等对内存要求较高的场景，就需要选用动态解码。
这里我们以基于HCLG网络的静态解码为例。首先需要把语言模型、发音词典、声学模型表示成对应的FST格式，如果7所示，然后通过组合、确定化、最小化等操作编译成一个大的解码图，如图8为截取解码图的一部分（解码图太大）。
图8
一般的HCLG网络构建流程如下：
HCLG = ASL(min(RDS(det(H' o min(det(C o min(det(L o G))))))))
其中：
ASL：加自环
RDS：去消岐符
H’：去掉自环的HMM
解码的过程就是在解码图中寻求最优路径的过程，因为解码图经过确定化操作，不会有相同的两条输入路径，所以可以使用维特比进行解码。
在解码过程中，为了提升解码速度，需要在解码过程中采用不同的剪枝策略，把当前时刻概率比较低的路径进行裁剪，当然，剪枝后的路径不保证是最优路径，但是会尽最大可能保留最优路径。
常见的剪枝策略有：
- 累积beam剪枝。即从当前概率最大路径得分减去beam值作为阈值，小于阈值的路径被裁剪；
- 直方图剪枝。即每一时刻仅保留一定数量的令牌。
- 声学模型预测剪枝。即利用声学信号的平稳性，把当前的声学分作为下一帧的声学得分并剪枝。
- 语言模型预测剪枝。即使用LOOKAHEAD提前估计语言模型得分并剪枝。
- 空边剪枝。即为了防止空边指数级扩展，对于不必要的空边停止扩展，因为空边大多是由语言模型回退造成的，如果已经有三元模型概率，那么没必要回退到二元模型展开。
帧同步解码算法：
- 找到解码图的开始节点，创建对应节点的令牌；
- 从开始节点对应的令牌做空边（即输入不对应真实的建模单元）扩展，每一个可达的节点都绑定对应的令牌，剪枝，保留活跃令牌；
- 每输入一帧，从当前活跃令牌中取出一个令牌，对应节点开始扩展后续非空边（即输入对应真实物理建模单元），遍历完所有活跃令牌，剪枝，保留当前帧活跃令牌；
- 重复3步骤，直到所有的帧都扩展结束；
- 找到得分最大令牌，回溯得到最后的识别结果。
七、展望
本小节先讲到这里，画图真是不易，下一节我们将结合kaldi代码，具体详述解码图构建及解码搜索，敬请期待。