取距離近的樣本所對應的詞標注為該語音信號的發音。該方法對解決孤立詞識別是有效的，但對于大詞匯量、非特定人連續語音識別就無能為力。因此，進入80年代后，研究思路發生了重大變化，從傳統的基于模板匹配的技術思路開始轉向基于統計模型（HMM）的技術思路。HMM的理論基礎在1970年前后就已經由Baum等人建立起來，隨后由CMU的Baker和IBM的Jelinek等人將其應用到語音識別當中。HMM模型假定一個音素含有3到5個狀態，同一狀態的發音相對穩定，不同狀態間是可以按照一定概率進行跳轉；某一狀態的特征分布可以用概率模型來描述，使用***的模型是GMM。因此GMM-HMM框架中，HMM描述的是語音的短時平穩的動態性，GMM用來描述HMM每一狀態內部的發音特征。基于GMM-HMM框架，研究者提出各種改進方法，如結合上下文信息的動態貝葉斯方法、區分性訓練方法、自適應訓練方法、HMM/NN混合模型方法等。這些方法都對語音識別研究產生了深遠影響，并為下一代語音識別技術的產生做好了準備。自上世紀90年代語音識別聲學模型的區分性訓練準則和模型自適應方法被提出以后，在很長一段內語音識別的發展比較緩慢，語音識別錯誤率那條線一直沒有明顯下降。DNN-HMM時代2006年。語音識別主要是將人類語音中的詞匯內容轉換為計算機可讀的輸入。四川語音識別機
語音文件“/timit/test/dr5/fnlp0/”的波形圖、語譜圖和標注SwitchBoard——對話式電話語音庫，采樣率為8kHz，包含來自美國各個地區543人的2400條通話錄音。研究人員用這個數據庫做語音識別測試已有20多年的歷史。LibriSpeech——英文語音識別數據庫，總共1000小時，采樣率為16kHz。包含朗讀式語音和對應的文本。Thchs-30——清華大學提供的一個中文示例，并配套完整的發音詞典，其數據集有30小時，采樣率為16kHz。AISHELL-1——希爾貝殼開源的178小時中文普通話數據，采樣率為16kHz。包含400位來自中國不同口音地區的發音人的語音，語料內容涵蓋財經、科技、體育、娛樂、時事新聞等。語音識別數據庫還有很多，包括16kHz和8kHz的數據。海天瑞聲、數據堂等數據庫公司提供大量的商用數據庫，可用于工業產品的開發。08語音識別評價指標假設"我們明天去動物園"的語音識別結果如下：識別結果包含了刪除、插入和替換錯誤。度量語音識別性能的指標有許多個，通常使用測試集上的詞錯誤率(WordErrorRate，WER)來判斷整個系統的性能，其公式定義如下：其中，NRef表示測試集所有的詞數量，NDel表示識別結果相對于實際標注發生刪除錯誤的詞數量，NSub發生替換錯誤的詞數量。河北語音識別平臺語音識別的許多方面已經被一種叫做長短期記憶 (LSTM)的深度學習方法所取代。
包括語法詞典的構建、語音識別引擎的初始化配置、音頻數據的采集控制和基本語義的解析等；應用數據庫是用戶的數據中心，作為語音識別數據的源頭，語音控制模塊從中提取用戶關鍵數據，并以此為基礎構建本地語法詞典；語音識別離線引擎是語音轉換為文字的關鍵模塊，支持在離線的情況下，根據本地構建的語法網絡，完成非特定人連續語音識別功能，同時具備語音數據前、后端點檢測、聲音除噪處理、識別門限設置等基本功能；音頻采集在本方案中屬于輔助模塊，具備靈活、便捷的語音控制接口，支持在不同采樣要求和采樣環境中，對實時音頻數據的采集。（2）關鍵要素分析本方案工作于離線的網絡環境中，語音數據的采集、識別和語義的解析等功能都在終端完成，因此設備性能的優化和語音識別的準度尤為重要。在具體的實現過程中，存在以下要素需要重點關注。（1）用戶構建的語法文檔在引擎系統初始化時，編譯成語法網絡送往語音識別器，語音識別器根據語音數據的特征信息，在識別網絡上進行路徑匹配，識別并提取用戶語音數據的真實信息，因此語法文檔的語法結構是否合理，直接關系到識別準確率的高低；（2）應用數據庫是作為語音識別數據的源頭，其中的關鍵數據如果有變化。
隨著語音識別技術的不斷發展和進步，也應用到越來越多的產品跟領域中。它們都少不了語音識別芯片、語音識別模塊的支持。那么市面上有哪些語音識別模塊好用呢？哪些領域又運用到語音識別技術呢？語音識別模塊具有語音識別及播報功能，需要掛spl-Flash，存儲詞條或者語音播放內容。還具備有工業級性能，同時還具有識別率高、簡單易用、更新詞條方便等優勢。語音識別模塊被廣泛應用在AI人工智能產品、智能家居遙控、智能玩具等多種領域上。語音識別技術應用領域有哪些語音識別技術的應用領域：智能家電遙控如今很多家電都已經智能化了，用一個小小的遙控器就可以把家里所有的電器用語音操控起來，比如客廳的電視、空調、窗簾等。以前要一個個遙控器換著操控，如今只需要結合到一個遙控器就可以讓這些操作輕松實現。語音識別技術的應用領域：智能玩具語音識別技術的智能化也讓玩具行業進行了變革，越來越多的智能玩具被研發出來，比如智能語音娃娃、智能語音兒童機器人。為了能夠更加清晰的定義語音識別的任務，先來看一下語音識別的輸入和輸出都是什么。
Hinton提出深度置信網絡（DBN），促使了深度神經網絡（DNN）研究的復蘇。2009年，Hinton將DNN應用于語音的聲學建模，在TIMIT上獲得了當時好的結果。2011年底，微軟研究院的俞棟、鄧力又把DNN技術應用在了大詞匯量連續語音識別任務上，降低了語音識別錯誤率。從此語音識別進入DNN-HMM時代。DNN-HMM主要是用DNN模型代替原來的GMM模型，對每一個狀態進行建模，DNN帶來的好處是不再需要對語音數據分布進行假設，將相鄰的語音幀拼接又包含了語音的時序結構信息，使得對于狀態的分類概率有了明顯提升，同時DNN還具有強大環境學習能力，可以提升對噪聲和口音的魯棒性。簡單來說，DNN就是給出輸入的一串特征所對應的狀態概率。由于語音信號是連續的，各個音素、音節以及詞之間沒有明顯的邊界，各個發音單位還會受到上下文的影響。雖然拼幀可以增加上下文信息，但對于語音來說還是不夠。而遞歸神經網絡（RNN）的出現可以記住更多歷史信息，更有利于對語音信號的上下文信息進行建模。由于簡單的RNN存在梯度炸和梯度消散問題，難以訓練，無法直接應用于語音信號建模上，因此學者進一步探索，開發出了很多適合語音建模的RNN結構，其中有名的就是LSTM。一般都是可以理解的文本內容，也有可能是二進制編碼或者字符序列。四川語音識別機
搜索的本質是問題求解，應用于語音識別、機器翻譯等人工智能和模式識別的各個領域。四川語音識別機
CNN本質上也可以看作是從語音信號中不斷抽取特征的一個過程。CNN相比于傳統的DNN模型，在相同性能情況下，前者的參數量更少。綜上所述，對于建模能力來說，DNN適合特征映射到空間，LSTM具有長短時記憶能力，CNN擅長減少語音信號的多樣性，因此一個好的語音識別系統是這些網絡的組合。端到端時代語音識別的端到端方法主要是代價函數發生了變化，但神經網絡的模型結構并沒有太大變化。總體來說，端到端技術解決了輸入序列的長度遠大于輸出序列長度的問題。端到端技術主要分成兩類：一類是CTC方法，另一類是Sequence-to-Sequence方法。傳統語音識別DNN-HMM架構里的聲學模型，每一幀輸入都對應一個標簽類別，標簽需要反復的迭代來確保對齊更準確。采用CTC作為損失函數的聲學模型序列，不需要預先對數據對齊，只需要一個輸入序列和一個輸出序列就可以進行訓練。CTC關心的是預測輸出的序列是否和真實的序列相近，而不關心預測輸出序列中每個結果在時間點上是否和輸入的序列正好對齊。CTC建模單元是音素或者字，因此它引入了Blank。對于一段語音，CTC**后輸出的是尖峰的序列，尖峰的位置對應建模單元的Label，其他位置都是Blank。四川語音識別機