語音識別就是將一段語音信號轉(zhuǎn)換成相對應(yīng)的文本信息，系統(tǒng)主要包含特征提取、聲學(xué)模型，語言模型以及字典與解碼四大部分，此外為了更有效地提取特征往往還需要對所采集到的聲音信號進(jìn)行濾波、分幀等音頻數(shù)據(jù)預(yù)處理工作，將需要分析的音頻信號從原始信號中合適地提取出來；特征提取工作將聲音信號從時域轉(zhuǎn)換到頻域，為聲學(xué)模型提供合適的特征向量；聲學(xué)模型中再根據(jù)聲學(xué)特性計算每一個特征向量在聲學(xué)特征上的得分；而語言模型則根據(jù)語言學(xué)相關(guān)的理論，計算該聲音信號對應(yīng)可能詞組序列的概率；最后根據(jù)已有的字典，對詞組序列進(jìn)行解碼，得到最后可能的文本表示。