（文章來源：人人都是產(chǎn)品經(jīng)理）

語音識別技術(shù)最早依靠匹配，尋找單個音節(jié)、單個詞和標準語音模板的最大相似度進行匹配。后來伴隨著統(tǒng)計學被引入到語音識別中，將該技術(shù)逐步從模板匹配技術(shù)轉(zhuǎn)向基于統(tǒng)計模型技術(shù)。對于不同的語音識別過程，人們采用的識別方法和技術(shù)不同，但所用的原理大致相同，即將經(jīng)過降噪處理后的語音送入特征提取模塊，然后對語音信號特征處理后輸出識別結(jié)果。

預處理：過濾掉原始語音中的次要信息或噪音等，將語音信號轉(zhuǎn)化為數(shù)字信號。特征提取：提取語音特征參數(shù)，形成特征矢量序列。實現(xiàn)語音識別，就需要語音參數(shù)來刻畫語音信息。語音原本具有短時特性，所以描述語音的單位用幀（一般為10-40ms），在音頻幀上提取的短時音頻特征，叫音頻幀特征。相對音頻幀較長的時間間隔成為音頻段，在音頻段上提取的特征叫音頻段特征。

常用的音頻幀特征分為三類：時域特征、頻域特征和聲學感知特征。時域特征利用了音頻信號在時域上面的信息，可以理解成橫軸為時間，縱軸為音頻信號。通過過零率、短時能量、音量、自相關系數(shù)等來描述音頻信號在時間上的信息。過零率是指：音頻信號由正到負、由負到正過程中，通過零的次數(shù)。應用于語音信號分析中，濁音具有較低的過零率，清音具有較高的過零率（發(fā)音時聲帶振動的是濁音，聲帶不振動的是清音）。

短時能量則是：通過能量的計算方法用于監(jiān)測濁音和清音的轉(zhuǎn)換時刻。應用與語音信號分析中，短時能量大的地方過零率低，短時能量小的地方過零率高。頻域特征是把時域波形信號轉(zhuǎn)換到頻譜，然后進行計算。聲學感知特征是聲學上定義的概念，考慮了人的聽覺感知特點，但通常計算比較復雜。

音頻段特征是在音頻幀特征基礎上提取出來的，獲取音頻段特征的基本方法是：將音頻段對應的音頻幀特征經(jīng)過均值、方差、標準差等統(tǒng)計學公式計算得出來的。原始語音信號傳入預處理模塊的目的：是為了壓縮原始語音數(shù)據(jù)，提取出有代表性的特征來做后續(xù)的識別，主要分為三部分：預加重、分幀加窗、端點檢測。

在語音識別過程中，經(jīng)常會遇到原始語音數(shù)據(jù)因為噪音、背景音或次要信息的影響導致識別效果變差。預加重的目的就是為了提高語音質(zhì)量，從含有噪聲語音的信號中，盡可能提取純凈的原始語音信號。首先假設噪音和期望語音信號相互獨立，然后通過估計噪音的功率，在原始語音中減去噪音功率達到去除噪音的目的。

這個方法較適用于噪音平穩(wěn)波動性小的情況。通過獲得前一時刻的濾波器參數(shù)，去自動調(diào)節(jié)現(xiàn)在時刻的濾波器參數(shù)。我的理解是：假設語音信號具有較強的相關性，那么取t+1時刻的濾波器參數(shù)作用于t時刻的語音信號，形成純凈的語音信號。

基于信號和噪聲的小波系數(shù)在各尺度的分布特性，采用閾值的方法，達到去除噪聲的目的。語音信號可假定為短時平穩(wěn)的，即在較短時間內(nèi)（如5-50ms），語音信號基本保持不變，然后把語音信號分隔為一些音頻段再加以處理。

這些短段一般是周期的，對每個短段語音進行處理，就等效于對固定特性的這樣原始語音進行處理。對每一幀處理的結(jié)果，就可以看作是一個新的依賴于時間的序列，且這個序列可用于描述語音信號特征。例如：原始語音采樣序列為x(m)，那么分段后的序列可以理解為x(m)乘以窗函數(shù)w(n-m)得到的。

窗函數(shù)越寬，對信號的平滑作用越明顯，反之，對信號幾乎沒有任何平滑作用。對語音信號中的有聲片段和無聲片段進行分割，然后再針對有聲片段的語音特征進行識別，主要是利用語音特征參數(shù)進行判斷。一般情況下，端點監(jiān)測是語音識別的第一步。