（文章來源：遠場語音識別研究中心）

語言交流是人類一種天然的溝通模式。從兒童時代開始我們對語言的相關(guān)學(xué)習(xí)都是自發(fā)的，語言交流始終貫穿于我們的生活。它是那么的自然以至于我們根本沒有發(fā)現(xiàn)這是一種多么復(fù)雜的現(xiàn)象。人類的聲道和發(fā)音器官，是具有非線性特征的生物器官，不僅僅運行在有意識的控制下，而且受到性別及其成長因素情緒狀態(tài)的影響。

因此，聲音會因為他們的口音、發(fā)音、清晰度、體積、速度等有著大幅的變動。人類希望能與機器進一步溝通，從而方便生產(chǎn)與生活，而在語音信號的傳輸過程中，我們不規(guī)則的語言行為方式會被背景噪聲和回聲，以及電特性（如話筒等電子設(shè)備）進一步扭曲。這一切可變性的聲音來源語音識別更加繁瑣復(fù)雜。

語音識別是一個多層模式識別任務(wù)。聲音信號經(jīng)過考察，結(jié)構(gòu)分為一個層次詞根單位（例如，音素）、詞、短語、句子。每一層可提供額外的時間限制，例如，已經(jīng)被認(rèn)知的單詞發(fā)音或法律上的單詞序列，可以彌補錯誤或把不確定性降到較低水平。限制的最好方法是在所有較低的層次中利用概率相結(jié)合的決策，而只在最高層次中使用離散決策。

語音識別系統(tǒng)根據(jù)對說話人說話方式的要求，可以分為孤立詞語音識別系統(tǒng)、連接字語音識別系統(tǒng)和連續(xù)語音識別系統(tǒng)；根據(jù)對說話人的依賴程度，可以分為特定人和非特定人語音識別系統(tǒng)；根據(jù)詞匯量大小，可分為小詞匯量、中等詞匯量、大詞匯量以及無限詞匯量語音識別系統(tǒng)。不同的語音識別系統(tǒng)。雖然具體實現(xiàn)細節(jié)有所不同，但所采用的基本技術(shù)相似。一個典型的語音識別系統(tǒng)除了要選取適當(dāng)?shù)恼Z音識別單元之外，還需要特征參數(shù)技術(shù)提取、系統(tǒng)建模、模型訓(xùn)練和模式匹配這三方面的技術(shù)。

語音識別系統(tǒng)也可以分成一個前端和一個后端。其中，前段處理音頻流，從而分隔可能發(fā)聲的聲音階段，并將它們轉(zhuǎn)換成一系列能夠表示數(shù)值。后端是一個專用的搜索引擎，它獲取前端產(chǎn)生的輸出并跨以下三個數(shù)據(jù)庫進行搜索：一個發(fā)音模型、一個語言模型和一個詞典。發(fā)音模型表示一種語言的發(fā)音聲音，可通過訓(xùn)練來識別某個特定用戶的語音模式和發(fā)音環(huán)境的特征。語言模型表示一種語言的單詞如何合并。詞典列出語言的大量單詞，以及關(guān)于每個單詞如何發(fā)音的信息。