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），效果良好。 API返回confidence value以及转录文本的每个块。置信度是docs中所述的0到1之间的数字，但是我没有找到关于Google API如何得出此数字的更深入的解释，因此我认为它某种程度上来自进行识别的神经网络。
我要采取的下一步是制作自己的（离线）自动语音识别程序，我发现pyKaldi应该可以胜任该任务。我尚未开始对其进行编程，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信心值？真正的“信心”是什么？如何计算？
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，但它并不表示从音频块序列中导出（或以概率设置）给出的单词的结果文本输出是多么“正确”。在我看来，表达性或意义有点模糊，并取决于模型和训练数据（噪声，混响等）的质量。比较替代方案很有意义，告诉您价值较高的替代方案更可能是正确的替代方案。反过来，这带来了一个问题，即哪个距离会产生明显差异。单个置信度值不会告诉您任何信息，也不能仅基于它们的置信度值来比较两个不同的识别器模型。微软称其为“相反，置信度得分提供了一种机制，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。”