一． 對語音識別總體認識的簡單敘述
語音識別大體上就是將人類的語音信號輸入系統，識別出對應的文字。語音合成則是一個相反的過程，給出文本，輸入系統后能夠輸出文字對應的語音信號。
語音識別是一個大方向，細分起來包括了聲紋識別、關鍵詞識別、語音信號處理等方向，還包括了很重要的連續語音識別。而語音合成方面，主要學習的是歌聲合成的相關知識。
語音識別的過程大體可以分為兩個階段，前一階段主要是語音信號的處理，包括語音信號的預處理，語音信號的分析（時域分析、時頻域分析、倒譜域分析），語音信號的特征提取（主要是關於MFCC的工作，為后續的建模等工作做准備）；后一階段則主要是模型訓練和語音識別階段，模型的訓練主要是使用已有的訓練數據，對給出的模型進行訓練，通過一次次訓練不斷優化模型中的參數，使得整個系統更加接近理想的效果。語音模型的選擇多種多樣，包括HMM,GMM,DNN,CNN等，目前接觸到的包括HMM,GMM,DNN，而CNN我暫時沒有學習到。
三．語音識別的大體過程總結
1.語音信號預處理
語音信號是一個連續的信號，要想輸入系統進行處理，首先要對語音信號進行預處理，比如預加重處理，分幀加窗處理等，目的則是為了提高信號信噪比，便於后續處理。
2. 語音信號分析
語音識別不是一個簡單的輸入語音並直接輸出文本的系統，語音信號輸入的時候要進行一系列處理。語音信號具有長時時變短時平穩的特征。對於語音信號的分析包括了時域分析、時頻域分析，倒譜域分析。在這里對於因信號進行處理的目的，是為了得到語音信號的時域或者時頻域特征，便於畫出功率譜。這一步得到的功率譜，可以直接用於下一步的特征提取（比如MFCCs）。
時域分析：
時域分析能夠提取到的特征包括短時平均能量，短時平均過零率，短時平均幅度，短時自相關函數。語音信號是長時時變短時平穩的信號，所以這些特征都傾向於短時信號特征，這些特征在端點檢測、靜音判斷、清濁音切分等方面使用廣泛。
時頻域分析：
語音處理過程中，除了時域特征之外，頻率域特征或者二者結合起來的時頻特征對后續工作也很重要。傅里葉變換是這一部分很重要的知識點。
傅里葉變換可以很好的表現出信號的頻率域特征，但是丟失了時間信息，因此，對傅里葉變換進行優化，提出了短時傅里葉變換（STFT），在傅里葉變換的基礎上，對信號分幀加窗，逐個處理，能夠得到比較好的時域和頻域特征信息。另外，針對突變的、非平穩信號和離散信號，一些論文中也提出了其他的信號分析方法，比如拉普拉斯變換（在FT基礎上引入了衰減因子）、Z變換（適合處理離散信號）、小波變換（將FT中無限長的三角基轉換成會衰減的小波基）。
3.特征提取。
語音信號是十分復雜的連續信號，而語音信號的特征參數能夠很好的表達語音信號，也就能很好的表達語音信號所攜帶的信息，因此，對語音信號的處理，必須首先提取語音信號的特征參數。這樣，通過處理數據量很小的特征參數，就能得到與直接處理復雜且不好分析的語音信號相同的效果。語音信號的特征參數有很多，主要學習了梅爾倒譜系數（MFCC參數）的提取，MFCC在實際應用中很多，主要是因為梅爾頻率比較符合人類的聽覺特性。
特征提取成功，也就為后續的模型訓練打下了基礎。模型訓練不可能直接使用復雜不平穩法語音信號，而是使用語音信號的特征參數。在有了模型的前提下，在訓練階段，把語音信號經過1,2,3步的處理，得到指定的 N 維特征參數並輸入到模型當中，通過多次迭代，能得到不斷優化的模型參數。識別階段，待識別語音信號經過1 2 3步的處理，得到指定的 N 維參數並輸入到模型當中，能得到識別結果。
4. 模型訓練與語音識別
語音識別的模型有很多，經典的包括HMM、GMM，另外人工神經網絡的興起使得DNN、CNN得到了廣泛的使用。這些模型都是通過給出初始模型，使用訓練數據不斷的優化模型參數，最終得到一個比較滿意的識別模型。