國外研究：

　　從開始研究語音識(shí)別技術(shù)至今，語音識(shí)別技術(shù)的發(fā)展已經(jīng)有半個(gè)多世紀(jì)的歷史。語音識(shí)別技術(shù)研究的開端，是Davis等人研究的Audry系統(tǒng)，它是當(dāng)時(shí)第一個(gè)可以獲取幾個(gè)英文字母的系統(tǒng)。到了20世紀(jì)60年代，伴隨計(jì)算機(jī)技術(shù)的發(fā)展，語音識(shí)別技術(shù)也得以進(jìn)步，動(dòng)態(tài)規(guī)劃和線性預(yù)測分析技術(shù)解決了語音識(shí)別中最為重要的問題——語音信號(hào)產(chǎn)生的模型問題；70年代，語音識(shí)別技術(shù)有了重大突破，動(dòng)態(tài)時(shí)間規(guī)整技術(shù)（DTW）基本成熟，使語音變得可以等長，另外，矢量量化（VQ）和隱馬爾科夫模型理論（HMM）也不斷完善，為之后語音識(shí)別的發(fā)展做了鋪墊；80年代對(duì)語音識(shí)別的研究更為徹底，各種語音識(shí)別算法被提出，其中的突出成就包括HMM模型人工神經(jīng)網(wǎng)絡(luò)（ANN）；進(jìn)入90年代后，語音識(shí)別技術(shù)開始應(yīng)用于全球市場，許多著名科技互聯(lián)網(wǎng)公司， 如IBM，Apple等，都為語音識(shí)別技術(shù)的開發(fā)和研究投入巨資；到了 21 世紀(jì)，語音識(shí)別技術(shù)研究重點(diǎn)轉(zhuǎn)變?yōu)榧磁d口語和自然對(duì)話以及多種語種的同聲翻譯。

　　國內(nèi)研究：

　　國內(nèi)關(guān)于語音識(shí)別技術(shù)的研究與探索從20 世紀(jì)80 年代開始，取得了許多成果并且發(fā)展飛速。例如：清華大學(xué)研發(fā)的語音識(shí)別技術(shù)以1183 個(gè)單音節(jié)作為識(shí)別基元，并對(duì)其音節(jié)進(jìn)行分解，最后進(jìn)行識(shí)別，使三字詞和四字詞的準(zhǔn)確率高達(dá)98%；中科院采用連續(xù)密度的HMM，整個(gè)系統(tǒng)的識(shí)別率達(dá)到89.5%，聲調(diào)和詞語的識(shí)別率分別是 99.5%和95%。目 前，我國的語音識(shí)別技術(shù)已經(jīng)和國際上的超級(jí)大國實(shí)力相當(dāng)， 其綜合錯(cuò)誤率可控制在10%以內(nèi)。

　　清華大學(xué)電子工程系語音技術(shù)與專用芯片設(shè)計(jì)課題組，研發(fā)的非特定人漢語數(shù)碼串連續(xù)語音識(shí)別系統(tǒng)的識(shí)別精度，達(dá)到94.8%（不定長數(shù)字串）和96.8%（定長數(shù)字串）。在有5%的拒識(shí)率情況下，系統(tǒng)識(shí)別率可以達(dá)到96.9%（不定長數(shù)字串）和98.7%（定長數(shù)字串），這是目前國際最好的識(shí)別結(jié)果之一，其性能已經(jīng)接近實(shí)用水平。研發(fā)的5000詞郵包校核非特定人連續(xù)語音識(shí)別系統(tǒng)的識(shí)別率達(dá)到98.73%，前三選識(shí)別率達(dá)99.96%；并且可以識(shí)別普通話與四川話兩種語言，達(dá)到實(shí)用要求。

　　中科院自動(dòng)化所及其所屬模式科技（Pattek）公司2002年發(fā)布了他們共同推出的面向不同計(jì)算平臺(tái)和應(yīng)用的“天語”中文語音系列產(chǎn)品——PattekASR，結(jié)束了中文語音識(shí)別產(chǎn)品自1998年以來一直由國外公司壟斷的歷史。

　　在新興產(chǎn)業(yè)市場需求的推動(dòng)下，語音識(shí)別的市場也是十分具有看頭的，有研究機(jī)構(gòu)指出，預(yù)計(jì)到2020年，全球語音識(shí)別的市場規(guī)模將從2015年的61.9億美元增長到200億美元。然而，在市場規(guī)模壯大這一美好的預(yù)測面前，我們也不能忽視一些需要面對(duì)的問題，只有解決了它們，語音識(shí)別才能得到完善，給用戶帶來極致服務(wù)。

　　首先就是對(duì)象識(shí)別的準(zhǔn)確性?，F(xiàn)在，在應(yīng)用上，我們看見語音識(shí)別多是在智能家居領(lǐng)域，包括智能家電和服務(wù)機(jī)器人。此時(shí)，我們就要考慮一個(gè)問題了，當(dāng)多個(gè)家庭成員同時(shí)講話時(shí)，智能家電和服務(wù)機(jī)器人該執(zhí)行誰的命令呢？它們又如何能在眾聲音中找出自己主人的命令？這些都是當(dāng)前語音識(shí)別所需要解決的問題，畢竟我們通常所說的語音識(shí)別不僅僅只是單純的對(duì)語音內(nèi)容進(jìn)行識(shí)別。

　　在這個(gè)問題上，人們也找到了一個(gè)解決方案——聲紋識(shí)別。一般來講，聲紋具有唯一性，對(duì)說話人身份的確認(rèn)有著極大的幫助。借助于聲紋識(shí)別，語音識(shí)別能夠準(zhǔn)確對(duì)說話人的位置和身份進(jìn)行定位，從而準(zhǔn)確識(shí)別語音內(nèi)容，執(zhí)行其中下達(dá)的指令。不過，鑒于數(shù)據(jù)的極大空缺等問題，聲紋識(shí)別技術(shù)還需完善。

　　其次是降低周邊環(huán)境的干擾。對(duì)于人類來講，在嘈雜環(huán)境中聽別人說話或是從眾多聲音中找出自己想聽的內(nèi)容還是一件較為簡單的事，而與此相反，這件事在機(jī)器這里并沒有那么容易。

　　為了降低周邊環(huán)境對(duì)語音識(shí)別的干擾，亞馬遜和谷歌都在智能音箱中使用了麥克風(fēng)陣列技術(shù)，從而起到一定的“降噪”作用，增加語音識(shí)別的準(zhǔn)確率。不過，到目前為止，環(huán)境的干擾依然沒有得到更好的解決，仍然是語音識(shí)別前進(jìn)道路中的一只“攔路虎”，尤其是在多段語音中準(zhǔn)確找出指定說話人的情境中。

　　在一次采訪中，和機(jī)器學(xué)習(xí)權(quán)威學(xué)者、百度首席科學(xué)家吳恩達(dá)表示，2017年是“對(duì)話式電腦”快速發(fā)展的一年。對(duì)話式電腦，諸如聊天機(jī)器人、人工智能虛擬助手之類，作為展開對(duì)話的第一步，語音識(shí)別也屬于這快速發(fā)展的一部分。

　　在、等多種產(chǎn)業(yè)以及聊天機(jī)器人、虛擬助手這些產(chǎn)品市場的推動(dòng)下，語音識(shí)別的市場正在不斷擴(kuò)大，同時(shí)也是對(duì)它準(zhǔn)確性的一個(gè)挑戰(zhàn)。