LSTM通過輸入門、輸出門和遺忘門可以更好的控制信息的流動和傳遞，具有長短時記憶能力。雖然LSTM的計算復雜度會比DNN增加，但其整體性能比DNN有相對20%左右穩定提升。BLSTM是在LSTM基礎上做的進一步改進，考慮語音信號的歷史信息對當前幀的影響，還要考慮未來信息對當前幀的影響，因此其網絡中沿時間軸存在正向和反向兩個信息傳遞過程，這樣該模型可以更充分考慮上下文對于當前語音幀的影響，能夠極大提高語音狀態分類的準確率。BLSTM考慮未來信息的代價是需要進行句子級更新，模型訓練的收斂速度比較慢，同時也會帶來解碼的延遲，對于這些問題，業屆都進行了工程優化與改進，即使現在仍然有很多大公司使用的都是該模型結構。圖像識別中主流的模型就是CNN，而語音信號的時頻圖也可以看作是一幅圖像，因此CNN也被引入到語音識別中。要想提高語音識別率，就需要克服語音信號所面臨的多樣性，包括說話人自身、說話人所處的環境、采集設備等，這些多樣性都可以等價為各種濾波器與語音信號的卷積。而CNN相當于設計了一系列具有局部關注特性的濾波器，并通過訓練學習得到濾波器的參數，從而從多樣性的語音信號中抽取出不變的部分。舌頭部位不同可以發出多種音調，組合變化多端的輔音，可產生大量的、相似的發音，這對語音識別提出了挑戰。廣州移動語音識別服務標準
美國**部下屬的一個名為美國**高級研究計劃局(DefenseAdvancedResearchProjectsAgency，DARPA)的行政機構，在20世紀70年代介入語音領域，開始資助一項旨在支持語言理解系統的研究開發工作的10年戰略計劃。在該計劃推動下，誕生了一系列不錯的研究成果，如卡耐基梅隆大學推出了Harpy系統，其能識別1000多個單詞且有不錯的識別率。第二階段：統計模型(GMM-HMM)到了20世紀80年代，更多的研究人員開始從對孤立詞識別系統的研究轉向對大詞匯量連續語音識別系統的研究，并且大量的連續語音識別算法應運而生，例如分層構造(LevelBuilding)算法等。同時，20世紀80年代的語音識別研究相較于20世紀70年代，另一個變化是基于統計模型的技術逐漸替代了基于模板匹配的技術。統計模型兩項很重要的成果是聲學模型和語言模型，語言模型以n元語言模型(n-gram)，聲學模型以HMM。HMM的理論基礎在1970年前后由Baum等人建立，隨后由卡耐基梅隆大學(CMU)的Baker和IBM的Jelinek等人應用到語音識別中。在20世紀80年代中期，Bell實驗室的.Rabiner等人對HMM進行了深入淺出的介紹。并出版了語音識別專著FundamentalsofSpeechRecognition，有力地推動了HMM在語音識別中的應用。江西語音識別學習其識別精度和速度都達不到實際應用的要求。
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上獲得了當時比較好的結果。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，不僅各個音素、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。
2）初始化離線引擎：初始化訊飛離線語音庫，根據本地生成的語法文檔，構建語法網絡，輸入語音識別器中；（3）初始化聲音驅動：根據離線引擎的要求，初始化ALSA庫；（4）啟動數據采集：如果有用戶有語音識別請求，語音控制模塊啟動實時語音采集程序；（5）靜音切除：在語音數據的前端，可能存在部分靜音數據，ALSA庫開啟靜音檢測功能，將靜音數據切除后傳送至語音識別引擎；（6）語音識別狀態檢測：語音控制模塊定時檢測引擎系統的語音識別狀態，當離線引擎有結果輸出時，提取語音識別結果；（7）結束語音采集：語音控制模塊通知ALSA，終止實時語音數據的采集；（8）語義解析：語音控制模塊根據語音識別的結果，完成語義解析，根據和的內容，確定用戶需求，根據的內容，確認用戶信息；（9）語音識別結束：語音控制模塊將語義解析的結果上傳至用戶模塊，同時結束本次語音識別。根據項目需求，分別在中等、低等噪音的辦公室環境中，對語音撥號軟件功能進行科學的測試驗證。 怎么構建語音識別系統？語音識別系統構建總體包括兩個部分：訓練和識別。
傳統的人機交互依靠復雜的鍵盤或按鈕來實現，隨著科技的發展，一些新型的人機交互方式也隨之誕生，帶給人們全新的體驗。基于語音識別的人機交互方式是目前熱門的技術之一。但是語音識別功能算法復雜、計算量大，一般在計算機上實現，即使是嵌入式方面，多數方案也需要運算能力強的ARM或DSP，并且外擴RAM、FLASH等資源，增加了硬件成本，這些特點無疑限制了語音識別技術的應用，尤其是嵌入式領域。本系統采用的主控MCU為Atmel公司的ATMEGA128，語音識別功能則采用ICRoute公司的單芯片LD3320。LD3320內部集成優化過的語音識別算法，無需外部FLASH，RAM資源，可以很好地完成非特定人的語音識別任務。1整體方案設計1．1語音識別原理在計算機系統中，語音信號本身的不確定性、動態性和連續性是語音識別的難點。主流的語音識別技術是基于統計模式識別的基本理論。2．1控制器電路控制器選用Atmel公司生產的ATMEGA128芯片，采用先進的RISC結構，內置128KBFLASH，4KBSRAM，4KBE2PROM等豐富資源。該芯片是業界高性能、低功耗的8位微處理器，并在8位單片機市場有著廣泛應用。2．2LD3320語音識別電路LD3320芯片是一款“語音識別”芯片。 在另一個視頻中走得快，或者即使在一次觀察過程中有加速和減速，也可以檢測到行走模式的相似性。廣州移動語音識別服務標準
從技術來看，整個語音交互鏈條有五項單點技術：喚醒、麥克風陣列、語音識別、自然語言處理、語音合成。廣州移動語音識別服務標準
它將執行以下操作：進行聲音輸入：“嘿Siri，現在幾點了？”通過聲學模型運行語音數據，將其分解為語音部分。·通過語言模型運行該數據。輸出文本數據：“嘿Siri，現在幾點了？”在這里，值得一提的是，如果自動語音識別系統是語音用戶界面的一部分，則ASR模型將不是***在運行的機器學習模型。許多自動語音識別系統都與自然語言處理(NLP)和文本語音轉換(TTS)系統配合使用，以執行其給定的角色。也就是說，深入研究語音用戶界面本身就是個完整的話題。要了解更多信息，請查看此文章。那么，現在知道了ASR系統如何運作，但需要構建什么？建立ASR系統：數據的重要性ASR系統應該具有靈活性。它需要識別各種各樣的音頻輸入（語音樣本），并根據該數據做出準確的文本輸出，以便做出相應的反應。為實現這一點，ASR系統需要的數據是標記的語音樣本和轉錄形式。比這要復雜一些（例如，數據標記過程非常重要且經常被忽略），但為了讓大家明白，在此將其簡化。ASR系統需要大量的音頻數據。為什么？因為語言很復雜。對同一件事有很多種講述方式，句子的意思會隨著單詞的位置和重點而改變。還考慮到世界上有很多不同的語言，在這些語言中。 廣州移動語音識別服務標準