導讀通常情況下，我們在做語音識別的時候，一般是以下的一個流程：這里最主要的是依靠兩個模型：聲學模型和語言模型，聲學模型接收我們說話的音頻，輸出的結果為拼音，而從....

通常情況下，我們在做語音識別的時候，一般是以下的一個流程：

這里最主要的是依靠兩個模型：聲學模型和語言模型，聲學模型接收我們說話的音頻，輸出的結果為拼音，而從拼音轉換到文字，這個就需要語言模型來進行操作。也就是這一篇文章的核心，基于馬爾可夫的拼音文字轉換方法。

一：拼音到文字的Markov模型推導

Markov模型的特點是某一狀態的發生概率僅其以前的狀態有關，而和其他狀態無關

,這一點在語言學中稱為左語境約束，左語境約束這一點很好理解，因為我們的文字讀寫習慣都是從左到右，因此你現在讀到的文字語境會受到你剛剛讀到的文字的約束。

前提假設：

綜上所述：可以通過下邊的圖片來解釋這個流程，其中方塊表示輸入的拼音，圓形表示同音字，箭頭表示對外轉移概率（沒有箭頭表示轉移概率為0）

二：動態規劃的算法求解

包括最大似然估計，很多方法都可以解決尋找路徑的問題。需要通過對觀察到的數據來進行概率判斷下一時刻最可能的狀態，從拼音到漢字的轉換過程可以看做是在一個有向圖中，求解概率最大路徑的問題。可以用維特比(Viterb)算法：

假設：我們觀察到的是拼音：

但是觀測序列中序列排序很復雜，比如wo可能有三種可能：喔、我、沃，如下圖所示：

現在變成了最大概率問題，把概率最大的理解為路徑最短，轉換為了求解最短路徑問題：

算法求解：

1：A->B

2：A->B->C

3:A->B->C->D

4：A->B->C->D->E

最終就得到了A->E的最短路徑A->B1->C2->D2->E1，至此，找到了wo ai zhong guo對應的概率最大的中文漢字組合為：我愛中國。

三：系統結構

參考https://github.com/letiantian/Pinyin2Hanzi項目代碼。羅列系統結構：

用戶輸入拼音串后，會學習語料庫，然后通過維特比算法去求解最大解，,并

將形成最大值的狀態串接起來作為輸出 。

四：實驗結果

代碼學習部分放在下一篇

五：參考文章

1：基于詞詞同現概率的拼音漢字自動轉換方法。馬少平老師

2：如何通俗地講解 viterbi 算法？

https://www.zhihu.com/question/2013