（文章來(lái)源：鈦媒體APP）

語(yǔ)音識(shí)別技術(shù)是讓機(jī)器通過(guò)識(shí)別把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)槲谋?，進(jìn)而通過(guò)理解轉(zhuǎn)變?yōu)橹噶畹募夹g(shù)。目的就是給機(jī)器賦予人的聽(tīng)覺(jué)特性，聽(tīng)懂人說(shuō)什么，并作出相應(yīng)的行為。語(yǔ)音識(shí)別系統(tǒng)通常由聲學(xué)識(shí)別模型和語(yǔ)言理解模型兩部分組成，分別對(duì)應(yīng)語(yǔ)音到音節(jié)和音節(jié)到字的計(jì)算。一個(gè)連續(xù)語(yǔ)音識(shí)別系統(tǒng)（如下圖）大致包含了四個(gè)主要部分：特征提取、聲學(xué)模型、語(yǔ)言模型和解碼器等。

（1）語(yǔ)音輸入的預(yù)處理模塊，對(duì)輸入的原始語(yǔ)音信號(hào)進(jìn)行處理，濾除掉其中的不重要信息以及背景噪聲，并進(jìn)行語(yǔ)音信號(hào)的端點(diǎn)檢測(cè)（也就是找出語(yǔ)音信號(hào)的始末）、語(yǔ)音分幀（可以近似理解為，一段語(yǔ)音就像是一段視頻，由許多幀的有序畫(huà)面構(gòu)成，可以將語(yǔ)音信號(hào)切割為單個(gè)的“畫(huà)面”進(jìn)行分析）等處理。

（2）特征提取，在去除語(yǔ)音信號(hào)中對(duì)于語(yǔ)音識(shí)別無(wú)用的冗余信息后，保留能夠反映語(yǔ)音本質(zhì)特征的信息進(jìn)行處理，并用一定的形式表示出來(lái)。也就是提取出反映語(yǔ)音信號(hào)特征的關(guān)鍵特征參數(shù)形成特征矢量序列，以便用于后續(xù)處理。

（3）聲學(xué)模型訓(xùn)練，聲學(xué)模型可以理解為是對(duì)聲音的建模，能夠把語(yǔ)音輸入轉(zhuǎn)換成聲學(xué)表示的輸出，準(zhǔn)確的說(shuō)，是給出語(yǔ)音屬于某個(gè)聲學(xué)符號(hào)的概率。根據(jù)訓(xùn)練語(yǔ)音庫(kù)的特征參數(shù)訓(xùn)練出聲學(xué)模型參數(shù)。在識(shí)別時(shí)可以將待識(shí)別的語(yǔ)音的特征參數(shù)與聲學(xué)模型進(jìn)行匹配，得到識(shí)別結(jié)果。目前的主流語(yǔ)音識(shí)別系統(tǒng)多采用隱馬爾可夫模型HMM進(jìn)行聲學(xué)模型建模。

（4）語(yǔ)言模型訓(xùn)練，語(yǔ)言模型是用來(lái)計(jì)算一個(gè)句子出現(xiàn)概率的模型，簡(jiǎn)單地說(shuō)，就是計(jì)算一個(gè)句子在語(yǔ)法上是否正確的概率。因?yàn)榫渥拥臉?gòu)造往往是規(guī)律的，前面出現(xiàn)的詞經(jīng)常預(yù)示了后方可能出現(xiàn)的詞語(yǔ)。它主要用于決定哪個(gè)詞序列的可能性更大，或者在出現(xiàn)了幾個(gè)詞的時(shí)候預(yù)測(cè)下一個(gè)即將出現(xiàn)的詞語(yǔ)。它定義了哪些詞能跟在上一個(gè)已經(jīng)識(shí)別的詞的后面（匹配是一個(gè)順序的處理過(guò)程），這樣就可以為匹配過(guò)程排除一些不可能的單詞。

語(yǔ)言建模能夠有效的結(jié)合漢語(yǔ)語(yǔ)法和語(yǔ)義的知識(shí)，描述詞之間的內(nèi)在關(guān)系，從而提高識(shí)別率，減少搜索范圍。對(duì)訓(xùn)練文本數(shù)據(jù)庫(kù)進(jìn)行語(yǔ)法、語(yǔ)義分析，經(jīng)過(guò)基于統(tǒng)計(jì)模型訓(xùn)練得到語(yǔ)言模型。

（5）語(yǔ)音解碼和搜索算法，解碼器是指語(yǔ)音技術(shù)中的識(shí)別過(guò)程。針對(duì)輸入的語(yǔ)音信號(hào)，根據(jù)己經(jīng)訓(xùn)練好的HMM聲學(xué)模型、語(yǔ)言模型及字典建立一個(gè)識(shí)別網(wǎng)絡(luò)，根據(jù)搜索算法在該網(wǎng)絡(luò)中尋找最佳的一條路徑，這個(gè)路徑就是能夠以最大概率輸出該語(yǔ)音信號(hào)的詞串，這樣就確定這個(gè)語(yǔ)音樣本所包含的文字了。所以，解碼操作即指搜索算法，即在解碼端通過(guò)搜索技術(shù)尋找最優(yōu)詞串的方法。

連續(xù)語(yǔ)音識(shí)別中的搜索，就是尋找一個(gè)詞模型序列以描述輸入語(yǔ)音信號(hào)，從而得到詞解碼序列。搜索所依據(jù)的是對(duì)公式中的聲學(xué)模型打分和語(yǔ)言模型打分。在實(shí)際使用中，往往要依據(jù)經(jīng)驗(yàn)給語(yǔ)言模型加上一個(gè)高權(quán)重，并設(shè)置一個(gè)長(zhǎng)詞懲罰分?jǐn)?shù)。

語(yǔ)音識(shí)別本質(zhì)上是一種模式識(shí)別的過(guò)程，未知語(yǔ)音的模式與已知語(yǔ)音的參考模式逐一進(jìn)行比較，最佳匹配的參考模式被作為識(shí)別結(jié)果。當(dāng)今語(yǔ)音識(shí)別技術(shù)的主流算法，主要有基于動(dòng)態(tài)時(shí)間規(guī)整（DTW）算法、基于非參數(shù)模型的矢量量化（VQ）方法、基于參數(shù)模型的隱馬爾可夫模型（HMM）的方法、以及近年來(lái)基于深度學(xué)習(xí)和支持向量機(jī)等語(yǔ)音識(shí)別方法。
? ? ? ?