* **内容**：通过麦克风等设备获取人声模拟信号。 * **关键点**：环境噪声、麦克风质量、采样率（如16kHz或44.1kHz）、量化位数（如16位）直接影响输入质量。更高的采样率和量化位数通常意味着更好的音质和识别基础。

　　* **目的**：提升信号质量，为后续处理做准备。 * **常见操作**： * **降噪**：过滤背景噪音（如风扇声、键盘星空体育网站 星空体育首页声）。 * **预加重**：增强高频分量，平衡语音频谱（例如使用一阶高通滤波器）。 * **分帧**：将连续语音流切分成短片段（帧长通常20-30ms，帧移10ms）。 * **加窗**：使用窗函数（如汉明窗）消除帧边缘信号的不连续性。 * **端点检测**：定位语音的开始和结束位置，剔除静音段。

　　* **核心任务**：将原始波形转换为能表征语音关键特性的低维向量。 * **常用特征**： * **梅尔频率倒谱系数**：模拟人耳听觉特性，是当前最主流特征。 * **滤波器组能量**：在梅尔尺度上分布的滤波器能量输出。 * **动态特征**：通常包含MFCC的一阶和二阶差分，增强时序表现力。 * **其他**：线性预测系数、感知线.

　　* **角色**：建立声音单元（音素、状态）与特征向量之间的概率映射。 * **主流技术**： * **隐马尔可夫模型**：传统方法，常与高斯混合模型结合。 * **深度神经网络**：如DNN、CNN、RNN等，尤其Transformer显著提升了建模能力。 * **混合模型**：如DNN-HMM，用DNN替代GMM估计HMM状态输出概率。

　　* **作用**：捕捉词汇和语法规则，约束识别结果合理性。 * **常用模型**： * **N-gram模型**：统计词序列共现概率。 * **RNN语言模型**：基于循环神经网络建模长距离依赖。 * **Transformer语言模型**：如BERT、GPT等大规模预训练模型，大幅提升上下文理解力。

　　* **核心过程**：在声学模型和语言模型指导下，搜索最优词序列。 * **方法**： * 动态规划算法（如维特比算法）。 * 加权有限状态转换器。 * 基于深度学习的端到端方法直接输出文本。 * **输出**：概率最大的文本词序列。

　　* **优化输出**：提升识别文本的最终可用性。 * **常见操作**： * 数字、日期等格式标准化（如“2023年”转“2023年”）。 * 大小写转换。 * 添加或优化标点符号。 * 上下文纠错（如纠正“语音十别”为“语音识别”）。

　　（如RNN-T，Transformer-based），这类技术将步骤3-6高度集成，直接从语音特征生成文本：

　　✅ 麦克风阵列可定向降噪✅ 云计算提升模型复杂度上限✅ 个性化语言模型能优化特定场景词汇

　　这就是语音识别从声音到文字的核心路径。无论是手机助手还是会议转录系统，都遵循这一基础架构。技术进步正持续优化每个模块的效率与精度?