它相對于GMM-HMM系統(tǒng)并沒有什么優(yōu)勢可言，研究人員還是更傾向于基于統(tǒng)計模型的方法。在20世紀80年代還有一個值得一提的事件，美國3eec6ee2-7378-4724-83b5-9b技術署(NIST)在1987年di一次舉辦了NIST評測，這項評測在后來成為了全球語音評測。20世紀90年代，語音識別進入了一個技術相對成熟的時期，主流的GMM-HMM框架得到了更廣的應用，在領域中的地位越發(fā)穩(wěn)固。聲學模型的說話人自適應(SpeakerAdaptation)方法和區(qū)分性訓練(DiscriminativeTraining)準則的提出，進一步提升了語音識別系統(tǒng)的性能。1994年提出的大后驗概率估計(MaximumAPosterioriEstimation，MAP)和1995年提出的*大似然線性回歸(MaximumLikelihoodLinearRegression，MLLR)，幫助HMM實現(xiàn)了說話人自適應。*大互信息量(MaximumMutualInformation，MMI)和*小分類錯誤(MinimumClassificationError，MCE)等聲學模型的區(qū)分性訓練準則相繼被提出，使用這些區(qū)分性準則去更新GMM-HMM的模型參數(shù)，可以讓模型的性能得到提升。此外，人們開始使用以音素字詞單元作為基本單元。一些支持大詞匯量的語音識別系統(tǒng)被陸續(xù)開發(fā)出來，這些系統(tǒng)不但可以做到支持大詞匯量非特定人連續(xù)語音識別。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。遼寧汽車語音識別

3）上述兩個問題的共性是目前的深度學習用到了語音信號各個頻帶的能量信息，而忽略了語音信號的相位信息，尤其是對于多通道而言，如何讓深度學習更好的利用相位信息可能是未來的一個方向。（4）另外，在較少數(shù)據(jù)量的情況下，如何通過遷移學習得到一個好的聲學模型也是研究的熱點方向。例如方言識別，若有一個比較好的普通話聲學模型，如何利用少量的方言數(shù)據(jù)得到一個好的方言聲學模型，如果做到這點將極大擴展語音識別的應用范疇。這方面已經(jīng)取得了一些進展，但更多的是一些訓練技巧，距離目標還有一定差距。（5）語音識別的目的是讓機器可以理解人類，因此轉換成文字并不是終的目的。如何將語音識別和語義理解結合起來可能是未來更為重要的一個方向。語音識別里的LSTM已經(jīng)考慮了語音的歷史時刻信息，但語義理解需要更多的歷史信息才能有幫助，因此如何將更多上下文會話信息傳遞給語音識別引擎是一個難題。（6）讓機器聽懂人類語言，靠聲音信息還不夠，“聲光電熱力磁”這些物理傳感手段，下一步必然都要融合在一起，只有這樣機器才能感知世界的真實信息，這是機器能夠學習人類知識的前提條件。而且，機器必然要超越人類的五官，能夠看到人類看不到的世界。

上海英語語音識別前端語音識別指命令者向語音識別引擎發(fā)出指令，識別出的單詞在說話時顯示出來，命令者負責編輯和簽署文檔。

Sequence-to-Sequence方法原來主要應用于機器翻譯領域。2017年，Google將其應用于語音識別領域，取得了非常好的效果，將詞錯誤率降低至。Google提出新系統(tǒng)的框架由三個部分組成：Encoder編碼器組件，它和標準的聲學模型相似，輸入的是語音信號的時頻特征；經(jīng)過一系列神經(jīng)網(wǎng)絡，映射成高級特征henc，然后傳遞給Attention組件，其使用henc特征學習輸入x和預測子單元之間的對齊方式，子單元可以是一個音素或一個字。**后，attention模塊的輸出傳遞給Decoder，生成一系列假設詞的概率分布，類似于傳統(tǒng)的語言模型。端到端技術的突破，不再需要HMM來描述音素內部狀態(tài)的變化，而是將語音識別的所有模塊統(tǒng)一成神經(jīng)網(wǎng)絡模型，使語音識別朝著更簡單、更高效、更準確的方向發(fā)展。語音識別的技術現(xiàn)狀目前，主流語音識別框架還是由3個部分組成：聲學模型、語言模型和解碼器，有些框架也包括前端處理和后處理。隨著各種深度神經(jīng)網(wǎng)絡以及端到端技術的興起，聲學模型是近幾年非常熱門的方向，業(yè)界都紛紛發(fā)布自己新的聲學模型結構，刷新各個數(shù)據(jù)庫的識別記錄。由于中文語音識別的復雜性，國內在聲學模型的研究進展相對更快一些。

選用業(yè)界口碑較好的訊飛離線語音識別庫，該庫采用巴科斯范式語言描述語音識別的語法，可以支持的離線命令詞的合，滿足語音撥號軟件的工作需求。其中，編寫的語法文檔主要部分如下：!start;:[];:我想|我要|請|幫我;:[];:給!id(10001)|打給!id(10001)|打電話給!id(10001)|撥打!id(10001)|呼叫!id(10001);:打電話!id(10001)|打個電話!id(10001)|撥打電話!id(10001)|撥電話!id(10001)|撥個電話!id(10001)|的電話!id(10001);:丁偉|李平;本文件覆蓋了電話呼叫過程中的基本語法，其中中的數(shù)據(jù)，需要根據(jù)用戶數(shù)據(jù)庫進行補充，其它、、中的內容，用戶根據(jù)自己的生活習慣和工作需要進行完善。另外，語音撥號軟件的應用數(shù)據(jù)庫為電話薄數(shù)據(jù)庫，電話薄中的用戶姓名是構建語法文檔的關鍵數(shù)據(jù)；音頻采集模塊采用增強型Linux聲音架構ALSA庫實現(xiàn)。語音撥號軟件工作流程語音撥號軟件的工作流程如圖2所示，電話薄數(shù)據(jù)庫、語音識別控制模塊、訊飛離線識別引擎和ALSA庫相互配合，共同完成語音識別的啟動、識別和結束。具體流程如下：（1）構建BNF文檔：控制模塊搜索本地電話薄數(shù)據(jù)庫，導出用戶數(shù)據(jù)信息，按照巴科斯范式語法，生成基于本地數(shù)據(jù)庫的語法文檔；。多人語音識別及離線語音識別也是當前需要重點解決的問題。

Siri、Alexa等虛擬助手的出現(xiàn)，讓自動語音識別系統(tǒng)得到了更廣的運用與發(fā)展。自動語音識別(ASR)是一種將口語轉換為文本的過程。該技術正在不斷應用于即時通訊應用程序、搜索引擎、車載系統(tǒng)和家庭自動化中。盡管所有這些系統(tǒng)都依賴于略有不同的技術流程，但這些所有系統(tǒng)的第一步都是相同的：捕獲語音數(shù)據(jù)并將其轉換為機器可讀的文本。但ASR系統(tǒng)如何工作？它如何學會辨別語音？本文將簡要介紹自動語音識別。我們將研究語音轉換成文本的過程、如何構建ASR系統(tǒng)以及未來對ASR技術的期望。那么，我們開始吧！ASR系統(tǒng)：它們如何運作？因此，從基礎層面來看，我們知道自動語音識別看起來如下：音頻數(shù)據(jù)輸入，文本數(shù)據(jù)輸出。但是，從輸入到輸出，音頻數(shù)據(jù)需要變成機器可讀的數(shù)據(jù)。這意味著數(shù)據(jù)通過聲學模型和語言模型進行發(fā)送。這兩個過程是這樣的：聲學模型確定了語言中音頻信號和語音單位之間的關系，而語言模型將聲音與單詞及單詞序列進行匹配。這兩個模型允許ASR系統(tǒng)對音頻輸入進行概率檢查，以預測其中的單詞和句子。然后，系統(tǒng)會選出具有**高置信度等級的預測。**有時語言模型可以優(yōu)先考慮某些因其他因素而被認為更有可能的預測。因此，如果通過ASR系統(tǒng)運行短語。語音識別的精度和速度取決實際應用環(huán)境。上海英語語音識別

語音識別技術還可以應用于自動口語翻譯。遼寧汽車語音識別

主流方向是更深更復雜的神經(jīng)網(wǎng)絡技術融合端到端技術。2018年，科大訊飛提出深度全序列卷積神經(jīng)網(wǎng)絡（DFCNN），DFCNN使用大量的卷積直接對整句語音信號進行建模，主要借鑒了圖像識別的網(wǎng)絡配置，每個卷積層使用小卷積核，并在多個卷積層之后再加上池化層，通過累積非常多卷積池化層對，從而可以看到更多的歷史信息。2018年，阿里提出LFR-DFSMN（LowerFrameRate-DeepFeedforwardSequentialMemoryNetworks）。該模型將低幀率算法和DFSMN算法進行融合，語音識別錯誤率相比上一代技術降低20%，解碼速度提升3倍。FSMN通過在FNN的隱層添加一些可學習的記憶模塊，從而可以有效的對語音的長時相關性進行建模。而DFSMN是通過跳轉避免深層網(wǎng)絡的梯度消失問題，可以訓練出更深層的網(wǎng)絡結構。2019年，百度提出了流式多級的截斷注意力模型SMLTA，該模型是在LSTM和CTC的基礎上引入了注意力機制來獲取更大范圍和更有層次的上下文信息。其中流式表示可以直接對語音進行一個小片段一個小片段的增量解碼；多級表示堆疊多層注意力模型；截斷則表示利用CTC模型的尖峰信息，把語音切割成一個一個小片段，注意力模型和解碼可以在這些小片段上展開。在線語音識別率上。遼寧汽車語音識別