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。實時語音識別基于DeepPeak2的端到端建模，將音頻流實時識別為文字，并返回每句話的開始和結束時間。江蘇英語語音識別
用來描述雙重隨機過程。HMM有算法成熟、效率高、易于訓練等優點，被***應用于語音識別、手寫字識別和天氣預報等多個領域，目前仍然是語音識別中的主流技術。HMM包含S1、S2、S3、S4和S55個狀態，每個狀態對應多幀觀察值，這些觀察值是特征序列(o1、o2、o3、o4,...,oT)，沿時刻t遞增，多樣化而且不局限取值范圍，因此其概率分布不是離散的，而是連續的。自然界中的很多信號可用高斯分布表示，包括語音信號。由于不同人發音會存在較大差異，具體表現是，每個狀態對應的觀察值序列呈現多樣化，單純用一個高斯函數來刻畫其分布往往不夠，因此更多的是采用多高斯組合的GMM來表征更復雜的分布。這種用GMM作為HMM狀態產生觀察值的概率密度函數(pdf)的模型就是GMM-HMM，每個狀態對應的GMM由2個高斯函數組合而成。其能夠對復雜的語音變化情況進行建模。把GMM-HMM的GMM用DNN替代，HMM的轉移概率和初始狀態概率保持不變。把GMM-HMM的GMM用DNN替代DNN的輸出節點與所有HMM(包括"a"、"o"等音素)的發射狀態一一對應，因此可通過DNN的輸出得到每個狀態的觀察值概率。DNN-HMM4.端到端從2015年，端到端模型開始流行，并被應用于語音識別領域。海南遠場語音識別遠場語音識別已經隨著智能音箱的興起成為全球消費電子領域應用為成功的技術之一。
使處理后的信號更完全地反映語音的本質特征提取。智能語音系統的未來實現人機之間的自由語音交互將成為未來AI的發展趨勢，新技術投入市場會帶來一些熱情，但有一定的改善空間。首先，智能語音市場需要對特定人群適當地改變特定的場景。現在人機交互在實時性、正確性等方面也需要提高。其次，語音輸入的內容與各種專業知識相關，智能語音系統在理解人類語言的表面意義的基礎上，認識到更深的意義，因此智能語音系統的知識圖譜也是一大挑戰，對輸入輸出、編譯代碼提出了很高的要求，語音識別技術利用高速發展的信息網，可以實現計算機全球網絡和信息資源的共享，因此應用的系統有語音輸入和控制系統、電銷機器人、智能手機查詢系統、智能家電和玩具等智能手機機器人以房地產、金融、電商、保險、汽車等都是電話銷售行業的形式，改變著隱含的影響和我們的生活。因此，語言識別功能是非常有潛力的技術。我們在平時的生活中可以在很多地方使用它，可以方便我們的生活和工作，如智能手機、智能冰箱和空調、自動門、汽車導航、機器人控制、醫療實施、設備等。21世紀不能說是語音識別普及的時代，但語音識別產品和設備也以獨特的魅力時代潮流，成為跟上時代的寵兒和焦點。
feed-forwardsequentialmemorynetwork，FSMN)，在DNN的隱層旁增加了一個“記憶模塊”，這個記憶模塊用來存儲對判斷當前語音幀有用的語音信號的歷史信息和未來信息，并且只需等待有限長度的未來語音幀。隨后，科大訊飛進一步提出了深度全序列卷積神經網絡(DFCNN)。2018年，阿里巴巴改良并開源了語音識別模型DFSMN(DeepFSMN)。2018年，中科院自動化所率先把Transformer應用到語音識別任務，并進一步拓展到中文語音識別。不管是在研究成果還是在產品性能體驗上，國內的語音行業整體水平已經達到甚至超越了國際水平。2016年10月，時任百度首席科學家的吳恩達在對微軟的語音識別技術與人類水平持平的消息表示祝賀的同時聲稱，百度的漢語語音識別在2015年就已經超越了人類的平均水平，也就是說百度比微軟提前一年實現了這一成績。當前語音識別系統依然面臨著不少應用挑戰，其中包括以下主要問題：魯棒性。目前語音識別準確率超過人類水平主要還是在受限的場景下，比如在安靜環境的情況下，而一旦加入干擾信號，尤其是環境噪聲和人聲干擾，性能往往會明顯下降。因此，如何在復雜場景(包括非平穩噪聲、混響、遠場)下，提高語音識別的魯棒性，研發"能用=>好用"的語音識別產品。該領域的大部分進展歸功于計算機能力的迅速提高。
在人與機器設備交互中，言語是方便自然并且直接的方式之一。同時隨著技術的進步，越來越多的人們也期望設備能夠具備與人進行言語溝通的能力，因此語音識別這一技術也越來越受到人們關注。尤其隨著深度學習技術應用在語音識別技術中，使得語音識別的性能得到了很大的提升，也使得語音識別技術的普及成為了現實，深圳魚亮科技專業語音識別技術提供商，提供：語音喚醒，語音識別，文字翻譯，AI智能會議，信號處理，降噪等語音識別技術。大多數人會認為研發語音識別技術是一條艱難的道路，投入會巨大，道路會很漫長。江蘇英語語音識別
近年來，該領域受益于深度學習和大數據技術的進步。江蘇英語語音識別
將匹配度高的識別結果提供給用戶。ASR技術已經被應用到各種智能終端，為人們提供了一種嶄新的人機交互體驗，但多數都是基于在線引擎實現。本文針對離線網絡環境，結合特定領域內的應用場景，提出了一套實用性強，成本較低的語音識別解決方案，實現非特定人連續語音識別功能。第二章本文從方案的主要功能模塊入手，對涉及到的關鍵要素進行詳細的分析描述，同時對實現過程中的關鍵事項進行具體分析，并提出應對措施。第三章根據方案設計語音撥號軟件，并對語音撥號軟件的功能進行科學的測試驗證。1低成本的語音識別解決方案（1）主要功能劃分在特定領域內的語音識別，主要以命令發布為主，以快捷實現人機交互為目的。比如在電話通信領域，我們常以“呼叫某某某”、“幫我查找某某某電話”為語音輸入，這些輸入語音語法結構單一，目的明確，場景性較強，本方案決定采用命令模式實現語音識別功能。方案主要包括四個功能模塊：語音控制模塊、音頻采集模塊、語音識別離線引擎和應用數據庫模塊，各模塊的主要功能及要求如圖1所示。圖1低成本語音識別解決方案功能模塊語音控制模塊作為方案實現的模塊，主要用于實現語音識別的控制管理功能。江蘇英語語音識別