(2)特征提取模塊：負責計算語音的聲學參數(shù)，并進行特征的計算，以便提取出反映信號特征的關(guān)鍵特征參數(shù)用于后續(xù)處理?，F(xiàn)在較常用的特征參數(shù)有線性預測（LPC)參數(shù)、線譜對（LSP)參數(shù)、LPCC、MFCC、ASCC、感覺加權(quán)的線性預測（PLP)參數(shù)、動態(tài)差分參數(shù)和高階信號譜類特征等[1]。其中，Mel頻率倒譜系數(shù)（MFCC)參數(shù)因其良好的抗噪性和魯棒性而應用廣泛。

(3)訓練階段：用戶輸入若干次訓練語音，經(jīng)過預處理和特征提取后得到特征矢量參數(shù)，建立或修改訓練語音的參考模式庫。

(4)識別階段：將輸入的語音提取特征矢量參數(shù)后與參考模式庫中的模式進行相似性度量比較，并結(jié)合一定的判別規(guī)則和專家知識（如構(gòu)詞規(guī)則，語法規(guī)則等)得出最終的識別結(jié)果。

4 語音識別的幾種基本方法

當今語音識別技術(shù)的主流算法，主要有基于動態(tài)時間規(guī)整(DTW)算法、基于非參數(shù)模型的矢量量化(VQ)方法、基于參數(shù)模型的隱馬爾可夫模型(HMM)的方法、基于人工神經(jīng)網(wǎng)絡(ANN)和支持向量機等語音識別方法。

4.1 動態(tài)時間規(guī)整(DTW)

DTW是把時間規(guī)整和距離測度計算結(jié)合起來的一種非線性規(guī)整技術(shù)，是較早的一種模式匹配和模型訓練技術(shù)。該方法成功解決了語音信號特征參數(shù)序列比較時時長不等的難題，在孤立詞語音識別中獲得了良好性能。

4.2 矢量量化(VQ)

矢量量化是一種重要的信號壓縮方法，主要適用于小詞匯量、孤立詞的語音識別中。其過程是：將語音信號波形的k個樣點的每1幀，或有k個參數(shù)的每1參數(shù)幀，構(gòu)成k維空間中的1個矢量，然后對矢量進行量化。量化時，將k維無限空間劃分為M個區(qū)域邊界，然后將輸入矢量與這些邊界進行比較，并被量化為“距離”最小的區(qū)域邊界的中心矢量值。矢量量化器的設計就是從大量信號樣本中訓練出好的碼書，從實際效果出發(fā)尋找到好的失真測度定義公式，設計出最佳的矢量量化系統(tǒng)，用最少的搜索和計算失真的運算量，實現(xiàn)最大可能的平均信噪比。

4.3 隱馬爾可夫模型(HMM)

隱馬爾可夫模型是20世紀70年代引入語音識別理論的，它的出現(xiàn)使得自然語音識別系統(tǒng)取得了實質(zhì)性的突破。目前大多數(shù)大詞匯量、連續(xù)語音的非特定人語音識別系統(tǒng)都是基于HMM模型的。

HMM是對語音信號的時間序列結(jié)構(gòu)建立統(tǒng)計模型，將其看作一個數(shù)學上的雙重隨機過程：一個是用具有有限狀態(tài)數(shù)的Markov鏈來模擬語音信號統(tǒng)計特性變化的隱含的隨機過程，另一個是與Markov鏈的每一個狀態(tài)相關(guān)聯(lián)的觀測序列的隨機過程。前者通過后者表現(xiàn)出來，但前者的具體參數(shù)是不可測的。人的言語過程實際上就是一個雙重隨機過程，語音信號本身是一個可觀測的時變序列，是由大腦根據(jù)語法知識和言語需要(不可觀測的狀態(tài))發(fā)出的音素的參數(shù)流。HMM合理地模仿了這一過程，很好地描述了語音信號的整體非平穩(wěn)性和局部平穩(wěn)性，是較為理想的一種語音模型。

HMM模型可細分為離散隱馬爾可夫模型(DHMM)和連續(xù)隱馬爾可夫模型(CHMM)以及半連續(xù)隱馬爾可夫模型(SCHMM)等[3]。

4.4 人工神經(jīng)元網(wǎng)絡(ANN)

人工神經(jīng)元網(wǎng)絡在語音識別中的應用是目前研究的又一熱點。ANN實際上是一個超大規(guī)模非線性連續(xù)時間自適應信息處理系統(tǒng)，它模擬了人類神經(jīng)元活動的原理，最主要的特征為連續(xù)時間非線性動力學、網(wǎng)絡的全局作用、大規(guī)模并行分布處理及高度的穩(wěn)健性和學習聯(lián)想能力。這些能力是HMM模型不具備的。但ANN又不具有HMM模型的動態(tài)時間歸正性能。因此，人們嘗試研究基于HMM和ANN的混合模型，把兩者的優(yōu)點有機結(jié)合起來，從而提高整個模型的魯棒性，這也是目前研究的一個熱點。