语音识别包含哪几类

语音识别技术主要可以从不同角度进行分类，以下是最常见和主要的分类方式：

一、按照语音的复杂度和词汇量划分

孤立词识别：
- 识别单独说出的、有明确停顿间隔的单词或短句（通常是命令词）。
- 词汇量小（几到几十个词）。
- 实现相对简单，精度较高。
- 应用举例： 简单的语音控制（家电开关、语音拨号）、特定命令词识别。
连接词识别：
- 识别按顺序逐个说出的单词序列，词与词之间有短暂停顿。
- 词汇量可达数百到几千。
- 需要处理词间协同发音效应。
- 应用举例： 数字串/字母串识别（电话号码、身份证号朗读）、特定项目清单朗读。
连续语音识别：
- 识别自然流畅地说出的、词与词之间无明显停顿的连续语流。
- 词汇量最大（几千到几十万甚至上百万）。
- 最复杂、挑战最大：需处理语速变化、连读、吞音、语调、重音以及丰富的上下文信息。
- 应用举例： 语音转写（会议记录、字幕生成）、语音助手对话（Siri、小爱同学、天猫精灵）、听写软件。
大词汇量连续语音识别：
- 特指词汇量极大（通常在几万词以上）的连续语音识别任务。
- 这是当前研究和应用的主流方向，如听写系统和智能助手。

二、按照说话人/说话方式/识别场景划分

特定人识别：
- 系统只针对训练它的单个用户的语音进行优化识别，模型对该用户的口音、语调等适应最好。
- 通常需要用户进行发音训练/模型适配。
- 精度高（对特定用户而言）。
- 应用举例： 个人专用的语音听写系统、特定用户的语音控制。
非特定人识别：
- 系统设计用于识别任何人的语音（在限定语种下）。
- 训练时使用大量不同说话人的语音数据来建模。
- 普适性强，开箱即用，但对个体用户来说精度通常低于训练好的特定人系统。
- 应用举例： 公共语音助手、客服中心语音导航。
说话人自适应识别：
- 这是介于特定人和非特定人之间的一种方法：先有一个强大的非特定人基础模型，用户少量使用时，系统自动快速调整（自适应）以更好地匹配该用户的发音特点。无需专门训练。
- 目标是达到接近特定人识别的精度。
朗读式语音识别：
- 用户以清晰、标准的发音进行朗读。
- 相对容易识别。
非标准/自发语音识别：
- 识别包含犹豫词（嗯、呃）、重复、更正、方言、口音、俚语等自然、自发性的语音。
- 挑战更大，需更强的鲁棒性建模。
噪声环境/远场语音识别：
- 识别在背景噪声（音乐、人声、交通）、混响严重的房间、或说话人与麦克风距离较远（远场麦克风）等挑战性场景下的语音。
- 需要集成噪声抑制、声学场景建模等技术来提高鲁棒性。
- 应用举例： 车载语音、智能音箱、嘈杂环境下的会议录音。
说话人分离识别：
- 在多人同时说话的场景下，先分离出各个说话人的声音，再分别进行识别。
- 是多说话人场景识别的核心难题之一。