Reference：李宏毅 2020 机器学习课程（语音识别部分）
语音识别概览
Audio Encoder
LAS（Seq2Seq）
Attention method 2
CTC
各方法对比总结
HMM
Phonetic Posteriorgrams（PPG）
PPG 是用于表示语音信号中音素概率分布的一种高层语音特征，它给出语音信号在每个时间帧上属于不同音素的概率。
概念拆解
音素（Phoneme）
音素是语言中最小的发音单位，能够区分词语的发音。例如英语中的 /p/ 和 /b/ 是两个不同的音素，因为它们区分了 "pat" 和 "bat"。
后验概率（Posterior Probability）
后验概率是在给定观察数据的情况下某一事件发生的概率。在语音处理的语境下，它表示给定某一帧的语音特征时，该帧属于某个音素的概率。
后验概率图（Posteriorgram）
后验概率图是一种矩阵表示：每一行代表一个时间帧，每一列代表一个音素，矩阵中每个元素表示该时间帧属于对应音素的概率。
如何计算 PPG
- 声学模型（Acoustic Model）：用训练好的声学模型（如 DNN 或 CNN）把输入的语音信号转换为高层次特征。
- 概率分布：通过声学模型对每个时间帧的语音特征进行分类，得到每个音素的概率分布，这一步通常用 softmax 计算后验概率。
- 生成 PPG：把所有时间帧的音素概率分布组合成一个矩阵，即得到 phonetic posteriorgram。
应用
PPG 在需要高层次语音特征的任务中被广泛使用：
- 语音合成（Speech Synthesis）：PPG 可以作为中间特征，帮助生成更自然、更连贯的合成语音。
- 语音转换（Voice Conversion）：用 PPG 表示源语音的音素信息，再映射到目标语音的音素空间，从而实现高质量的语音转换。
- 说话人识别（Speaker Recognition）：PPG 提供了与具体说话人无关的语音内容信息，有助于分离内容与说话人特征。
PPG 的核心价值在于它把「说什么」和「谁在说」解耦开：音素后验只描述内容，因此适合作为跨说话人任务的中间表示。