自動語音識別技術(shù)(Auto Speech Recognize，簡稱ASR)所要解決的問題是讓計算機能夠聽懂人類的語音，將語音中包含的文字信息提取。ASR技術(shù)在能聽會說的智能計算機系統(tǒng)中扮演著重要角色，相當于給計算機系統(tǒng)安裝上耳朵，使其具備能聽的功能，進而實現(xiàn)信息時代利用語音這一最自然、最便捷的手段進行人機通信和交互。

　　語音識別技術(shù)所面臨的問題是非常艱巨和困難的。盡管早在二十世紀五十年代，世界各國就開始了對這項技術(shù)孜孜不倦的研究，特別是最近二十年，國內(nèi)外非常多的研究機構(gòu)和企業(yè)都加入到語音識別技術(shù)的研究領(lǐng)域，投入了極大的努力，也取得了豐碩的成果，但是直到今天，距離該技術(shù)得到完美解決還存在著巨大的差距，不過這并不妨礙不斷進步的語音識別系統(tǒng)在許多相對受限的場合下獲得成功的應用。

　　如今，語音識別技術(shù)已經(jīng)發(fā)展成為涉及聲學、語言學、數(shù)字信號處理、統(tǒng)計模式識別等多學科技術(shù)的一項綜合性技術(shù)。基于語音識別技術(shù)研發(fā)的現(xiàn)代語音識別系統(tǒng)在很多場景下獲得了成功的應用，不同任務條件下所采用的技術(shù)又會有所不同。下圖是在一個相對通用的任務條件下的語音識別系統(tǒng)示意圖。語音識別系統(tǒng)構(gòu)建過程整體上包括兩大部分：訓練和識別。訓練通常是離線完成的，對預先收集好的海量語音、語言數(shù)據(jù)庫進行信號處理和知識挖掘，獲取語音識別系統(tǒng)所需要的聲學模型和語言模型；而識別過程通常是在線完成的，對用戶實時的語音進行自動識別。識別過程通常又可以分為前端和后端兩大模塊：前端模塊主要的作用是進行端點檢測(去除多余的靜音和非說話聲)、降噪、特征提取等；后端模塊的作用是利用訓練好的聲學模型和語言模型對用戶說話的特征向量進行統(tǒng)計模式識別(又稱解碼)，得到其包含的文字信息，此外，后端模塊還存在一個自適應的反饋模塊，可以對用戶的語音進行自學習，從而對聲學模型和&語音模型進行必要的校正，進一步提高識別的準確率。

　　語音識別技術(shù)發(fā)展歷史及現(xiàn)狀

　　語音識別的研究工作大約開始于20世紀50年代，當時AT&T Bell實驗室基于共振峰提取技術(shù)實現(xiàn)了第一個可識別十個英文數(shù)字的語音識別系統(tǒng)——Audry系統(tǒng)。

　　60年代，計算機的應用推動了語音識別的發(fā)展。這時期的重要成果是提出了動態(tài)時間規(guī)劃(DP)和線性預測分析技術(shù)(LPC)，其中后者較好地解決了語音信號產(chǎn)生模型的問題，對語音識別的發(fā)展產(chǎn)生了深遠影響。

　　70年代，語音識別領(lǐng)域取得了較大進展。在理論上，LP技術(shù)得到進一步發(fā)展，動態(tài)時間歸正技術(shù)(DTW)基本成熟，特別是提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。在實踐上，實現(xiàn)了基于線性預測倒譜和DTW技術(shù)的特定人孤立語音識別系統(tǒng)。

　　80年代，MFCC的參數(shù)提取技術(shù)和HMM模型的深入使用使得語音識別技術(shù)得到進一步的發(fā)展，語音識別的問題逐步在理論體系上得到了比較完整和準確的描述，同時在實踐上又逐步研發(fā)出效率較高的解決算法。

　　90年代以來，在美國國防部的Darpa測試、Ears計劃、近期的Gales計劃，以及我國863計劃等推動下，一大批高水平的研究機構(gòu)和企業(yè)加入到語音識別的研究領(lǐng)域，極大地推動了語音識別技術(shù)的發(fā)展和應用。語音識別系統(tǒng)已經(jīng)從過去的小詞匯量、孤立詞識別、特定人識別、安靜環(huán)境等簡單任務逐步發(fā)展到大詞匯量、連續(xù)語音、非特定人、噪聲環(huán)境下的識別任務，從單純的語音識別任務發(fā)展到語音翻譯任務，從實驗室系統(tǒng)走向商用系統(tǒng)。