Kaldi是否返回任何识别置信度参数，类似于Google语音到文本API？

Question

我正在处理一项语音识别任务。到目前为止，我一直在使用Google云语音识别API（Python）并取得了良好的效果。API将返回一个置信值以及每个转录文本块。正如文档中所述，置信度是一个介于0和1之间的数字，但我没有找到任何更深入的解释来解释谷歌的API是如何得出这个数字的，所以我假设它某种程度上来自于进行识别的神经网络。

我想采取的下一步是制作我自己的（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是否可以像Google Speech to Text API一样返回一些类似的自信值？这种“信心”到底是什么？它是如何计算的？

Answer 1

是的，pyKaldi支持用最小bayes风险（MBR）计算的置信值（单词置信得分）。您将在文档中找到所有必要的信息。以下是指向模块说明的链接：

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，但它并没有表示从一系列音频块导出（或在概率设置中给定）的单词的结果文本输出是正确的“可能性”有多大。在我看来，表现力或意义有点模糊，取决于模型和训练数据的质量（噪音、混响等）。它在比较替代方案时很有意义，告诉你值较高的更有可能是正确的。这反过来又提出了一个问题，即哪个距离可以称为显着差异。一个置信度值不能告诉你任何事情，你也不能仅仅根据它们的置信度值来比较两个不同的识别器模型。微软称之为“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替代项的相对准确性。这有助于返回最准确的识别结果。”