初见语音识别（ASR）
参考：百度百科
前言：
近些年国内的语音识别发展：
2018年，科大讯飞提出深度全序列卷积神经网络（DFCNN），使用大量的卷积直接对整句语音信号进行建模。同年，阿里提出LFR-DFSMN模型，将低帧率算法和DFSMN算法进行融合，语音识别错误率相比上一代技术降低20%，解码速度提升3倍。
2019年，百度提出了流式多级的截断注意力模型SMLTA，该模型在LSTM和CTC的基础上引入了注意力机制来获取更大范围和更有层次的上下文信息。在线语音识别率上，该模型比百度上一代DeepPeak2模型提升相对15%的性能。
2021年，科大讯飞提出“语音识别方法及系统”专利，通过“静态+动态”网络空间实时融合路径解码寻优算法解决了面向多领域、多用户、多场景下识别效果差、反应速度慢、系统构建时间长等技术问题，显著地提升了语音识别效果。 （来源：百度百科）
语音识别系统：
模拟的语音信号进行采样得到波形数据之后，首先要输入到特征提取模块，提取出合适的声学参数供后续声学模型训练使用。
如今主流语音识别系统都采用隐马尔科夫模型(HMM)作为声学模型，这是因为HMM具有很多优良特性。HMM模型的状态跳转模型很适合人类语音的短时平稳特性，可以对不断产生的观测值(语音信号)进行方便的统计建模；与HNN相伴生的动态规划算法可以有效地实现对可变长度的时间序列进行分段和分类的功能；HMM的应用范围广泛。只要选择不同的生成概率密度，离散分布或者连续分布，都可以使用HNM进行建模。HMM以及与之相关的技术在语音识别系统中处于最核心的地位。自从HMM的理论被提出以来(Baum and Easo，1967)，它在语音信号处理及相关领域的应用范围变得越来越广泛，在语音识别领域起到核心角色的作用，它还广泛活跃精音的参数合成、语言理解、 机器翻译等其他领域。（隐马尔可夫模型（HMM）详解 - 知乎）
目前常用的声学模型基元为声韵母、音节或词，根据实现目的不同来选取不同的基元。汉语加上语气词共有412个音节，包括轻音字，共有1282个有调音节字，所以当在小词汇表孤立词语音识别时常选用词作为基元，在大词汇表语音识别时常采用音节或声韵母建模，而在连续语音识别时，由于协同发音的影响，常采用声韵母建模。
语音识别常见方法：
语音识别技术常用的方法有如下四种：1. 基于语言学和 声学的方法，2. 随机模型法，3. 利用人工神经网络的方法，4. 概率语法分析。其中最主流的方法是随机模型法。
随机模型法：
随机模型法目前应用较为成熟，该方法主要采用提取特征、训练模板、对模板进行分类及对模板进行判断的步骤来对语音进行识别。该方法涉及到的技术一般有3种：动态时间规整（DTW），隐马尔科夫模型（HMM）理论和矢量量化（VQ ）技术。其中，HMM 算法相较于其他两者的优点是简便优质， 在语音识别性能方面更为优异。也正因为如此，如今大部分语音识别系统都在使用HMM算法。
神经网络法：
（ANN）神经网络方法是在语音识别发展的后期才有的一种新的识别方法。它其实是一种模拟人类神经活动的方法，同时具有人的一些特性，如自动适应和自主学习。其较强的归类能力和映射能力在语音识别技术中具有很高的利用价值。业界将 ANN 与传统的方法进行结合，各取所长，使得语音识别的效率得到了显著的提升。
语音识别框架：
统计语言模型与语音识别-CSDN博客
