第1章 音声認識とは？
第1節
音声信号から発話内容を認識する技術のことを、音声認識技術と呼びます。(p.10)
It(speech recognition) is also known as automatic speech recognition (ASR), computer speech recognition or speech to text (STT).
AIスピーカーの内部の例
音源分離（雑音除去）
音声認識
自然言語処理
組み合わされるものなのだろうか？
疑問：音声認識から直接応答だと、人によって音声データが違う（高低など）からうまくいかない？
応答
第2節
音声認識の処理（p.12 図1-3）
特徴量抽出
人間の知覚に相当（耳によって音を知覚）
フーリエ変換など
音声認識モデル
人間の認識に相当（知覚された信号が脳に届く）
機械学習で「入力音声から各認識結果候補の確率を計算するための計算規則」
英語聞き取りの例
内部処理は3つ
音響モデル
音を聞いて音素ごとの確率を計算
隠れマルコフモデルと混合正規分布（1980s〜2010）
混合正規分布がディープニューラルネットワークに置き換わる
発音辞書
音素列と単語の対応
言語モデル
文脈的に単語が現れやすい
2015〜 3つを一つのニューラルネットワークで表現するEnd-to-Endモデル