语音识别（Automatic Speech Recognition, ASR）技术的关键技术主要包含以下几个核心环节：

1. 声学特征提取 (Feature Extraction)：

   • 目的： 将原始语音信号（时域波形）转换为更适合计算机处理的、包含关键声学信息的特征向量序列。
   • 关键技术：
     • 预加重： 提升高频分量，补偿语音信号频谱的自然衰减。
     • 分帧加窗： 将连续的语音信号分割成短时帧（通常20-40ms），并对每帧进行加窗（如汉明窗、汉宁窗）以减少边缘效应。
     • 傅里叶变换： 将时域帧信号转换为频域信号（频谱）。
     • 梅尔频率倒谱系数： 将频谱映射到更符合人耳听觉特性的梅尔刻度上，再进行离散余弦变换，得到包含声道信息的低维特征向量。这是目前最主流的特征。
     • 滤波器组特征： 将频谱通过一组梅尔滤波器，计算每个滤波器的能量并取对数。更接近梅尔倒谱的输入层。
     • 其他特征： 感知线性预测、波形自回归特征等。

2. 声学模型 (Acoustic Model)：

   • 目的： 建模声学特征与基本语音单元（如音素、状态、字）之间的映射关系。它是核心模型之一。
   • 关键技术演进与当前主流：
     • 深度神经网络： 已成为绝对主流。常见结构包括：
       • 深层前馈神经网络： 基础结构。
       • 递归神经网络： 特别是长短期记忆网络和门控循环单元，能有效建模语音信号的时序依赖关系。
       • 卷积神经网络： 能学习时频域上的局部相关性和平移不变性。
       • 端到端模型： 如连接时序分类、基于注意力机制、RNN-T等模型，旨在直接学习语音特征序列到词或子词序列的映射，简化传统声学模型和语言模型的分工。
     • 建模单元： 常用音素、中文音节、字或子词单元。
   • 传统技术（现今较少单独使用）： 基于高斯混合模型-隐马尔可夫模型(GMM-HMM)的声学模型。

3. 语言模型 (Language Model)：

   • 目的： 建模词序列中词汇出现的联合概率分布，捕捉语言的语法、语义和上下文规律（如哪些词更可能接在哪些词后面），解决发音相似词的歧义问题（同音词）。
   • 关键技术：
     • n-gram 模型： 基于统计，计算连续n个词出现的概率。简单有效，计算效率高。
     • 神经网络语言模型：
       • RNNLM： 循环神经网络语言模型，能建模长距离依赖。
       • Transformer LM： 基于自注意力机制，并行性好，建模能力强大，已成为当前主流。
     • 核心作用： 通过联合解码，帮助声学模型选择最符合语言习惯的词汇序列（例如，“手机”比“手鸡”更合理）。

4. 解码器 (Decoder)：

   • 目的： 整合声学模型和语言模型的信息，在庞大的搜索空间（所有可能的词序列组合）中，快速高效地搜索出最可能的词序列作为识别结果。
   • 关键技术：
     • 动态解码算法： 核心是维特比算法或加权有限状态转换器，结合声学模型似然度和语言模型概率进行搜索。
     • 束搜索： 在每一步只保留最有可能的若干条路径，极大降低计算量，广泛应用。
     • 加权有限状态转换器： 能高效表示和操作声学模型、发音词典、语言模型组成的网络，用于复杂系统的解码。

5. 发音词典 (Pronunciation Lexicon)：

   • 目的： 提供词汇（词或字）到其基本语音单元序列（音素、音节等）的映射关系。它是连接声学模型（处理声学单元）和语言模型/解码器（处理词汇）的桥梁。
   • 要求： 词汇覆盖度广，发音准确（尤其是多音字），并常包含词频信息。中文需要良好的分词。

6. 后处理与模型优化：

   • 目的： 进一步提升识别准确率、流畅度和自然度。
   • 关键技术：
     • 文本规范化/顺滑： 将识别的“字面词”转换为更自然流畅的文本（例如，数字读法转换：“2024” -> “二零二四” 或 “两千零二十四”，根据场景）。
     • 口语化现象处理： 处理重复词、犹豫词（“呃”、“啊”）、不完整句等。
     • 标点符号预测： 根据停顿、语调及语义预测合适的标点符号。
     • 说话人自适应： 针对特定说话人的语音特点微调模型，提高对该说话人的识别率。
     • 环境鲁棒性增强： 提高模型在噪声、混响、不同麦克风等复杂声学环境下的表现。
     • 模型压缩与加速： 如量化、剪枝、知识蒸馏等，使模型能在资源受限设备上实时运行。

总结:

现代语音识别系统是声学模型（当前主要是深度神经网络/端到端模型）、语言模型（当前主要是神经网络模型，尤其是Transformer） 和高效解码器（如束搜索）三大核心技术的有机结合。发音词典是关键的连接纽带。声学特征提取（如MFCC/FBank） 是重要前处理步骤。后处理技术用于精修输出结果并提高用户体验。大规模训练数据和强大的计算能力是支撑这些技术发展的基石。端到端学习是当前研究的重点方向之一，旨在简化流程并更直接地优化最终目标。