语音识别的技术

首先要进行端点检测(VAD)，然后对声音进行分析。需要对声音分帧，也就是把声音切成一小段一小段的，每一小段称为一帧,分帧时要使用移动窗函数来实现，帧与帧之间一般是有交叠，如下图所示，每帧长度是25毫秒，每两帧之间有25-10=15毫秒的交叠，称为以帧长25ms，帧移10ms的分帧。

 

 

分帧后，语音就变成了许多小段，在波形的时域上没有任何描述能力，因此必须将波形做变换。常见的一种变换就是提取MFCC特征。根据人耳的生理特性，把一帧波形变成一个多维向量，可以简单的理解为这个向量包含了这帧语音的内容信息。这叫做声学特征提取。

至此，声音就成了一个12行(假设声学特征是12维)、N列的一个矩阵，称之为观察序列，这里N为总帧数。观察序列如下图所示，图中每一帧都用一个12维的向量表示，色块的颜色标识向量值的大小。

 

 

 

 

转自：https://www.zhihu.com/question/20398418