ASR(Automatic Speech Recognition) 自動(dòng)語音識(shí)別，是一種使用計(jì)算機(jī)來識(shí)別人通過電話或麥克說話產(chǎn)生的語音信號(hào)的語音技術(shù)。作為專門的研究領(lǐng)域，ASR又是一門交叉學(xué)科，它與聲學(xué)、語音學(xué)、語言學(xué)、數(shù)字信號(hào)處理理論、信息論、計(jì)算機(jī)科學(xué)等眾多學(xué)科緊密相連。 在ASR中用到的最主要的技術(shù)是隱馬爾可夫模型（Hidden Markov Model，HMM）。這種技術(shù)通過判斷每個(gè)相鄰小區(qū)的語音信號(hào)最可能是哪一個(gè)音素來識(shí)別單詞，因?yàn)樵~匯表里的單詞其實(shí)就是音素的組合。通過一種叫作Viterbi（一種動(dòng)態(tài)規(guī)劃算法，一般用于序列的譯碼）的搜索過程來決定最有可能是哪一個(gè)因素序列。搜索局限于詞匯表的單詞所對(duì)應(yīng)的音素序列。ASR引擎的工作過程如圖：

①前端語音處理：完成端點(diǎn)（話音的起始點(diǎn)和結(jié)束點(diǎn)）檢測(cè)、降噪等。 ②識(shí)別：根據(jù)聲學(xué)模型、語言模型、語法進(jìn)行識(shí)別。聲學(xué)模型是語音識(shí)別系統(tǒng)中最關(guān)鍵的部分，它的作用就是前面提到的確定音素序列。語言模型是指語言中的一些規(guī)則或語法結(jié)構(gòu)，是表現(xiàn)字或詞上下文之間的統(tǒng)計(jì)模型。語言模型可以預(yù)測(cè)在句子中某個(gè)位置最可能出現(xiàn)的單詞。語法對(duì)所有可能識(shí)別的語言進(jìn)行描述，簡(jiǎn)單地說，語法告訴識(shí)別器應(yīng)該聽什么。語法可以用有向圖來描述，圖中的節(jié)點(diǎn)可以是一個(gè)單詞或一個(gè)句子，如果識(shí)別成功，識(shí)別的結(jié)果將是圖的一條路徑。 ③產(chǎn)生識(shí)別結(jié)果：識(shí)別結(jié)果按照一定的文本結(jié)構(gòu)返回。 ASR分為兩種：一種是獨(dú)立于人的識(shí)別，即不管是誰，只要他說的話是一樣的，識(shí)別結(jié)果都是相同的，它主要應(yīng)用于人機(jī)交互，使用語言作為輸入的優(yōu)勢(shì)是顯而易見的，方便快捷；另一種是特定人的識(shí)別，又叫聲紋校驗(yàn)，主要用來進(jìn)行身份驗(yàn)證。在本文中討論的ASR指的是第一種。 由于語音信號(hào)的多樣性和復(fù)雜性，目前的語音識(shí)別系統(tǒng)只能在一定的限制條件下獲得滿意的性能，或者說只能應(yīng)用于某些特定的場(chǎng)合。語音識(shí)別系統(tǒng)的性能大致取決于以下4類因素：識(shí)別詞匯表的大小和語音的復(fù)雜性；語音信號(hào)的質(zhì)量；單個(gè)說話人還是多說話人；硬件平臺(tái)。

語音識(shí)別技術(shù)的應(yīng)用包括語音撥號(hào)、IVR語音導(dǎo)航、室內(nèi)設(shè)備控制、語音文檔檢索、簡(jiǎn)單的聽寫數(shù)據(jù)錄入等。語音識(shí)別技術(shù)與其他自然語言處理技術(shù)如機(jī)器翻譯及語音合成技術(shù)相結(jié)合，可以構(gòu)建出更加復(fù)雜的應(yīng)用，例如語音到語音的翻譯。語音識(shí)別技術(shù)所涉及的領(lǐng)域包括：信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、人工智能等等。特別是在電話機(jī)器人中的IVR起作重要的作作