1、首先 ， 我們知道聲音實(shí)際上是一種波 。常見的mp3、wmv等格式都是壓縮格式，必須轉(zhuǎn)成非壓縮的純波形文件來處理，比如Windows PCM文件，也就是俗稱的wav文件 。wav文件里存儲的除了一個文件頭以外，就是聲音波形的一個個點(diǎn)了 。
2、在開始語音識別之前，有時需要把首尾端的靜音切除，降低對后續(xù)步驟造成的干擾 。這個靜音切除的操作一般稱為VAD，需要用到信號處理的一些技術(shù) 。
3、每幀的長度為25毫秒，每兩幀之間有25-10=15毫秒的交疊 。我們稱為以幀長25ms、幀移10ms分幀 。每幀的長度為25毫秒，每兩幀之間有25-10=15毫秒的交疊 。我們稱為以幀長25ms、幀移10ms分幀 。
4、分幀后，語音就變成了很多小段 。但波形在時域上幾乎沒有描述能力，因此必須將波形作變換 。常見的一種變換方法是提取MFCC特征 。
5、至此，聲音就成了一個12行（假設(shè)聲學(xué)特征是12維）、N列的一個矩陣 ， 稱之為觀察序列，這里N為總幀數(shù) 。觀察序列如下圖所示，圖中 ， 每一幀都用一個12維的向量表示，色塊的顏色深淺表示向量值的大小 。
6、接下來就要介紹怎樣把這個矩陣變成文本了 。首先要介紹兩個概念：音素：單詞的發(fā)音由音素構(gòu)成 。對英語，一種常用的音素集是卡內(nèi)基梅隆大學(xué)的一套由39個音素構(gòu)成的音素集，參見The CMU Pronouncing Dictionary 。
【語音識別原理與應(yīng)用 語音識別原理】7、語音識別是怎么工作的呢？實(shí)際上一點(diǎn)都不神秘，無非是：第一步，把幀識別成狀態(tài)（難點(diǎn)）；第二步，把狀態(tài)組合成音素；第三步，把音素組合成單詞 。
推薦閱讀
- 支付寶語音聊天怎么設(shè)置使用聽筒模式
- 微信如何關(guān)閉語音聊天 微信如何關(guān)閉語音聊天功能
- 微信語音如何轉(zhuǎn)文字 微信語音如何轉(zhuǎn)文字發(fā)送
- 如何轉(zhuǎn)發(fā)微信語音聊天記錄給別人 如何轉(zhuǎn)發(fā)微信語音聊天
- 如何將微信語音轉(zhuǎn)成mp3 如何將微信語音轉(zhuǎn)成筆記
- qq語音口令紅包如何設(shè)置
- 怎么申請使用支付寶收款碼貼紙以及語音提醒
- 華為手機(jī)有沒有語音助手功能
- 別人發(fā)的語音怎么轉(zhuǎn)發(fā)出去 別人發(fā)的語音怎么轉(zhuǎn)發(fā)
- 怎樣識別通體大理石