简单介绍HMM：hidden Markov model 用于计算机语音识别的隐马尔科夫模型。

它可以清楚地描述语音信号的产生过程——双重随机过程

人类的语音信号的产生过程是一个随机过程。也就是说，人在发出单个音素、音节、节奏、句子语音段、话语音段时的特征(值)是随机变化的。这是自然世界普遍规律，不仅是语音的规律。自然现象(包括语音)复杂多变。但人类的智慧是从复杂多变的现象中形成模式，进行识别。

【活跃】碧海蓝天(260593974) 11:39:25

随机现象必须用统计学进行研究。隐马尔科夫模型是对语音信号的时间序列结构建立的统计模型

语音流是非平稳信号，但其中有短暂的平稳阶段。可以通过统计，来确定这个阶段的语音信号的瞬间特征(即此段的语音统计特征识别)

语音中，必然有从一个短暂平稳阶段到下一个短暂平稳阶段的转变。这个转变特征是动态特征。

实验表明，隐马尔科夫模型可以清楚地描述语音信号的产生过程——双重随机过程，从而实现对语音的识别。

并完成从语音到文字的转换。这个模型的建构者很聪明。

如果懂得自然世界的一般规律，懂得统计学原理、懂得声学的基本原理和语言学基本原理，就不会对这个模型产生神秘感。相反，你会觉得语音识别模型本应该就是如此。

【活跃】碧海蓝天(260593974) 11:41:05

什么是随机现象和必然现象。随机现象依靠统计特征确定。

什么是统计特征，看看统计学，就知道了

重要的是寻找概率分布

以上是一点科普。搞语言学的，需要了解了解。

概率分布就是一个分布模型

谁把这个模型建的好，其语音识别的准确率就高。文字转换就可靠，正确。

语音识别与文字转换，实际是相对简单的人工智能(模拟人的语音识别与判断过程)。

但语义的计算机处理(识别、确认)，那可是比语音识别复杂千倍(夸张说法)的人工智能。

语音识别中 ，人工只是利用语音物理统计特征，必然遇到许多问题。如同音异形，就无法解决。这个时候，必须语言学的帮助。

语音识别中 ，如果只是利用语音的物理统计特征，必然遇到许多问题。如同音异形，就无法解决。这个时候，必须语言学的帮助。

语音识别技术，必须应用语言学(语音学、语境统计)。否则，识别不精确。

语音识别，仅就电子技术和计算机技术讲，不是很难的的技术。要达到更精确，还是主要在于语言学研究。

现代新技术，都是跨学科领域知识的应用。

群中，Mike提供了一个计算机如何处理语言的视频。下面是介绍和讨论部分

视频中关于翻译的一个理论观点是，翻译就是把解析出的语义结构变成另一种语言，再生成。

另一个观点是，语言是形义一体。

屏幕左边的解释，是语义和语法的分析。利用了语法和语义学的基本知识。特别是分类知识。(分类关系)

这些是计算机对语言句子的解析(分析)。形成的是两种语言共同的知识和规则。

在知识部分(语义结构)，应用了语义角色理论。

在知识的推导部分，应用了预设理论。

知识包括分类性知识，以及特征知识，相当于CA(语义成分、义素)

还包括聚合系统知识。

在从汉语到英语的形转换中，汉语的苹果被转换为an apple

视频中没有给出转换的条件，但我们完全可以推断，它是怎么做的。

关于知识查询或提问

知识查询或提问是我们要阅读一篇文章，一本书，经常要做的事情。即我们想知道文本告诉了那些具体知识。有了机器(计算机)帮助我们查询，并给出答案(用读者需要的语言，如用汉语问，机器可以查询英语文本，但给出汉语答案)。

如果哪位发明了这样的语言处理软件，恐怕谁都要用。其商业价值很大。

这样的软件，翻译问题也同时全部解决了。

搞出这样的软件，你可能不止是千万富翁了。

该视频展示了基本的语言处理方法。如果配上语言识别和文字转换软件，理论上，人与计算机的交流，就基本上和人与人间的交流一样了。

【活跃】碧海蓝天(260593974) 11:04:46

该视频展示了基本的语言处理方法。如果配上语音识别和文字转换软件，理论上，人与计算机的交流，就基本上和人与人间的交流一样了。

但问题是，计算机的语言处理绝没有该视频展示的那么简单。我曾经说过，还有较多难题待解。

而且这些难题主要的是在于语言学难题，也需要语言学的深入研究去解决。当然，也有计算机技术方面的难题，相对而言，要小。