以下是语音识别（Speech Recognition）的核心步骤详解，使用中文说明：

1. 声音输入与预处理

• 采集声音信号
  通过麦克风等设备获取原始音频（模拟信号）。
• 数字化
  将模拟信号转换为数字信号（采样和量化）。
• 预处理
  • 降噪：过滤背景噪声
  • 预加重：提升高频分量（补偿高频损失）
  • 分帧：将音频切分为短片段（如20-40ms/帧）
  • 加窗：减小帧边缘失真（常用汉明窗）

2. 特征提取

• MFCC（梅尔频率倒谱系数）
  最常用特征，模拟人耳听觉特性，步骤：
  ① 傅里叶变换 → ② 梅尔滤波器组 → ③ 取对数 → ④ DCT变换
• 其他特征：PLP、FBANK、梅尔谱图等。

3. 声学建模

• 目标：将声音特征映射到音素（语音最小单位）
• 常用模型：
  • 隐马尔可夫模型-高斯混合模型（HMM-GMM）：传统方法
  • 深度神经网络：主流方案
  • DNN-HMM：用DNN替代GMM
  • 端到端模型：如CTC（Connectionist Temporal Classification）、RNN-T（RNN Transducer）、Transformer

4. 语言模型

• 作用：结合词汇和语法规律，纠正声学模型的输出
• 模型类型：
  • N-gram：统计词序列概率
  • 神经网络语言模型：如RNN、Transformer，捕捉长距离依赖

5. 解码

• 任务：搜索最优文字序列
• 方法：
  • 动态解码算法（如Viterbi算法）
  • 加权有限状态转换器（WFST）：高效整合声学模型+语言模型+词典
  • 集束搜索（Beam Search）：平衡效率与准确性

6. 后处理

• 文本规整：
  • 大写、标点恢复
  • 数字/日期标准化（如“2024年” → “2024年”）
• 纠错：结合上下文语义优化结果

技术演进简史

应用场景

• 实时字幕生成
• 智能助手（如Siri、小爱同学）
• 语音输入法
• 电话客服系统

如果需要特定环节的深入解析（如MFCC计算、端到端模型原理），可进一步说明！