我正在处理语音识别任务。到目前为止，我一直在使用 Google Cloud Speech Recognition API(在 Python 中)并取得了不错的效果。 API 返回 confidence value以及转录文本的每一 block 。如文档中所述，置信度是一个介于 0 和 1 之间的数字，但我没有找到任何关于 Google 的 API 如何推导出这个数字的更深入的解释，所以我假设它以某种方式来自进行识别的神经网络。
下一步我想做的是制作我自己的(离线)自动语音识别程序，我发现 pyKaldi应该可以胜任这项任务。我还没有开始编程，但我想事先知道(出于研究目的)——Kaldi 能否像 Google Speech-to-Text API 一样返回一些类似的置信度值？这个“信心”到底是什么，它是如何计算出来的？
最佳答案
是的，pyKaldi 支持使用最小贝叶斯风险 (MBR) 计算的置信度值(单词置信度分数)。您将在文档中找到所有必要的信息。 这是模块描述的链接:
https://pykaldi.github.io/api/kaldi.lat.html?highlight=mbr#module-kaldi.lat.sausages
顾名思义，它是一个置信度值，但它并没有表达从音频 block 序列派生(或在概率设置中给定)的单词的结果文本输出的“可能性”是正确的。在我看来，表现力或意义有点模糊，取决于模型的质量和训练数据(噪声、混响等)。它在比较备选方案时很有意义，告诉您具有更高值(value)的那个更有可能是正确的。这反过来又提出了一个问题，即哪个距离称为显着差异。单个置信度值不会告诉您任何信息，您也不能仅根据置信度值来比较两个不同的识别器模型。微软称其为“相反，置信度分数提供了一种机制，用于比较给定输入的多个识别备选方案的相对准确性。这有助于返回最准确的识别结果。”
关于python - Kaldi 是否返回任何识别置信度参数，类似于 Google Speech-To-Text API？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/58397321/