1、背景
GB 2312 標準共收錄 6763 個漢字，其中一級漢字 3755 個，二級漢字 3008 個。對於人名、古漢語等方面出現的罕用字，GB 2312 不能處理，這導致了後來 GBK 及 GB 18030 漢字字符集的出現。漢語的聲母共有 23 個，韻母 24 個。普通話的讀音共有 420 個左右，即使考慮聲調，總數也遠小於漢字的個數。
漢字中的同音字現象這裡也無需多費口舌來介紹，直接呈上我國著名語言學家、“現代語言學之父”趙元任先生的兩篇文章。
《施氏食獅史》
石室詩士施氏，嗜獅，誓食十獅。施氏時時適市視獅。十時，適十獅市。是時，適施氏適市。施氏視十獅，恃矢勢，使是十獅逝世。氏拾是十獅屍，適石室。石室溼，施氏使侍拭石室。石室拭，施氏始試食十獅屍。食時，始識十獅實十石獅屍。試釋是事。
《季姬擊雞記》
季姬寂，集雞，雞即棘雞。棘雞飢嘰，季姬及箕稷濟雞。雞既濟，躋姬笈，季姬忌，急咭雞，雞急，繼圾幾，季姬急，即籍箕擊雞，箕疾擊幾伎，伎即齏，雞嘰集幾基，季姬急極屐擊雞，雞既殛，季姬激，即記《季姬擊雞記》。
（網圖，侵刪）
這兩篇文章通篇都是同音字，儘管只有聲調的差異，但是想通暢的讀下來，還是需要認真練習幾遍。下面我們就來聊聊這樣的同音字文章，語音識別是否可以搞定。
2、通俗易懂版
語音識別處理同音字的方法，一句話來概括就是根據上下文關係。
下面舉例來說明這個過程。比如有一段語音，共有四個字，我們依次來看每個字的發音。
a)首先我們聽到第一個音“wǔ”。人來判斷的話，這個字的可能性也是很多的，可以是{五、午、舞、武、吾、捂}等等等等，實在不好做出選擇。
b)聽到第二個音之後，語音變成“wǔ·rén”的時候，選擇就發生了變化。有些字開頭從來沒見過這種組合，所以就被排除了。現在組合可能是{五人、武人、舞人、五仁}等等等等。這個時候如果非要給出一個選擇，我們可能會選擇一個最常見的，比如“五人”。
c)當這段語音的第三個音出現的時候，語音變成了“wǔ·rén·yuè”。這時候選擇又發生了變化，一些不大可能的組合被排除掉，一些可能性更大的組合被放到了前面。現在組合可能是{舞人月、無人月、無人約、武人月、伍仁月}等等。有些組合可能聲調不對卻仍然被列在了候選中，這是因為識別的時候其它聲調也有一些可能性，不能完全排除，萬一是人發錯了音呢。
d) 這段語音所有的字都給出之後，語音變成“wǔ·rén·yuè·bìng”。這時候，大多數人的第一反應大概就是“五仁月餅”。當然其它的可能性也不是沒有，但要比這個漢字組合的可能性小。
如果用拼音輸入法，依次輸入上述拼音的時候，可以看到候選項的變化如下。當然每個人的候選是不相同的，它會根據個人的習慣改變候選排序。
使用語音輸入法，通常給出的都是可能性最大的一個結果，所以看不到候選。但可以通過輸入的語音，觀察隨著語音長度變化，識別結果的變化。
3、進階版
先祭出公式：
上式中 W 表示漢字序列，Y 表示語音輸入。公式 1 表示語音識別的目標是在給定語音輸入的情況下，找到可能性最大的漢字序列。根據 Baye’ Rule，可以得到公式 2，其中分母表示出現這條語音的概率，它同要求解的漢字序列沒有參數關係，可以在求解時忽略，進而得到公式 3。公式 3 中第一部分表示給定一個漢字序列出現這條音頻的概率，它就是語音識別中的聲學模型；第二部分表示出現這個漢字序列的概率，它就是語音識別中的語言模型。
聲學模型可以理解為是對發聲的建模，因此它能夠把語音輸入轉換成聲學表示的輸出，或者簡單的理解成拼音的輸出。如果給定了唯一的拼音序列，要求解漢字序列，那麼這個問題就簡化成了同拼音輸入法類似的問題。當然聲學模型的輸出不是唯一的拼音序列，而是很多種拼音序列組成的網格（lattice），所以聲學模型的解碼要比輸入法的設計複雜。
拋開聲學模型，我們假定已經知道了唯一的拼音序列，現在只需求解漢字序列，問題簡化成了通俗易懂版本。下面我們來看語言模型如何在發揮作用，排除多音字的干擾。
關於語言模型，目前最常見的是 N-Gram 語言模型和基於 RNN 的語言模型，這裡先介紹下 N-gram 的語言模型。
首先考慮給定一句話：
其中
是統計基元，可以是字、詞、短語等。這個句子的概率有下面的公式來計算:
從公式中可以看到
的概率由
決定，由特定的一組
構成的序列，稱為
的歷史。
隨著歷史基元數量的增加，不同的“歷史”(路徑)按指數級增長。對於第 i ( i >1 ) 個統計基元，歷史基元的個數 , i-1，如果共有 L 個不同的基元，如詞彙表，理論上每一個單詞都有可能出現在 1 到 i-1 的每一個位置上，那麼， i 基元就有
種不同的歷史情況。我們必須考慮在所有的
種不同歷史情況下產生第 i 個基元的概率。那麼中有
個自由參數。 如果 L=5000, m = 3, 自由參數的數目為 1250 億。這個參數量顯然是無法接受的。
為了減少參數，我們考慮 n 階馬爾科夫鏈，即認為當前詞只跟它之前出現的 n 個詞有關係，那麼對於單個詞的概率則由
變成
。
a)當 n=1 時，即出現在第 i 位上的基元 wi 獨立於歷史， n-gram 被稱為一階馬爾柯夫鏈(uni-gram 或 monogram)
b)當 n=2 時, n-gram 被稱為 2 階馬爾柯夫鏈(bi-gram)
c)當 n=3 時, n-gram 被稱為 3 階馬爾柯夫鏈(tri-gram)
。。。。。。
為了保證條件概率在 i=1 時有意義，同時為了保證句子內所有字符串的概率和為 1，可以在句子首尾兩端增加兩個標誌: w1 w2 … wm 。據此，對於 n>2 的 n-gram，上述整句的概率就簡化成了如下面的形式：
利用 bi-gram 來計算前面例子中“五仁月餅”的概率：
P(五仁月餅）=P(五|)×P(仁|五)×P(月|仁)×P(餅|月)×P(|餅)
同理，其他漢字序列的概率也可以由此公式計算得到。最終在輸入法的列表中給出概率最大的幾個選項即可。對於識別也是一樣，如果識別結果只有一個，那麼就給出概率最大的一個結果；如果識別結果是 N-best 那麼就根據概率給出可能性最大的 N 個識別結果。
對於 RNN 的語言模型，參數量並不會隨著句子序列長度的增加而發生變化，因此不需要馬爾柯夫鏈的前提假設。因此它是對整句進行的概率計算:
其中每一次概率計算
都是一次 RNN 的前向計算。
對於如何計算 P(仁|五)就是語言模型的構建的問題了，這裡就不再詳細介紹，感興趣的同學可以自行學習。對 N-gram 語言模型感興趣的同學，可以參考宗成慶老師的《統計自然語言處理》；對 RNN 語言模型感興趣的同學可以閱讀這篇文章[Rafal Jozefowicz, 2016]。
4、多音字的處理能力
最後我們回到背景介紹中的問題。現在的語音識別系統能否識別漢字中的多音字問題呢？答案是在一定程度上可以，比如正常的說話通常可以正確識別。但結果是依據統計學給出的概率上最可能的結果。
對於趙元任老先生的這 2 篇文章是否可以識別呢？還是直接來看訊飛手機輸入法的識別結果。普通話好的各位同學自行嘗試。