帮助人与人的交流 HHC：应用场景如，如翻译系统，微信沟通中的语音转文字，语音输入等功能。语音到语音（speech-to-speech，S2S）翻译系统，可以整合到像Skype这样的交流工具中，实现自由的远程交流。S2S组成模块主要是，语音识别-->机器翻译-->文字转语音，可以看到，语音识别是整个流水线中的第一环。
帮助人与机器的交流 HMC：应用场景如，语音搜索VS，个人数码助理PDA，游戏，车载信息娱乐系统等。
6
对话系统要注意的是，我们上面所说的应用场景和系统讨论，都是基于【语音对话系统】的举例。
语音识别技术只是其中关键的一环，想要组建一个完整的语音对话系统，还需要其他技术。
语音对话系统：（包含以下系统的一个或多个）
语音识别系统： 语音-->文字
语义理解系统：提取用户说话的语音信息
文字转语音系统：文字-->语音
对话管理系统：1） 2） 3）完成实际应用场景的沟通
语音识别系统
语音识别问题，其实是一个模式识别的问题。给你一段声波，机器判别是a还是b。
这个过程有两大块，一个是生成机器能理解的声音向量。第二个是通过模型算法识别这些声音向量，最终给出识别结果。
每一块中间都有很多细小的步骤，我们后面会提到。
1
系统架构概述
下图是语音识别系统的组成结构，主要分4部分：
信号处理和特征提取、声学模型（AM）、语言模型（LM）和解码搜索部分。
左半部分可以看做是前端，用于处理音频流，从而分隔可能发声的声音片段，并将它们转换成一系列数值。
声学模型就是识别这些数值，给出识别结果。后面我们会详细解释。
右半边看做是后端，是一个专用的搜索引擎，它获取前端产生的输出，在以下三个数据库进行搜索：一个发音模型，一个语言模型，一个词典。
【发音模型】表示一种语言的发音声音 ,可通过训练来识别某个特定用户的语音模式和发音环境的特征。
【语言模型】表示一种语言的单词如何合并 。
【词典】列出该语言的大量单词 ，以及关于每个单词如何发音的信息。
a）信号处理和特征提取：以音频信号为输入，通过消除噪声和信道失真对语音进行增强，将信号从时域转化到频域，并为后面的声学模型提取合适的有代表性的特征向量。
b）声学模型：将声学和发音学的知识进行整合，以特征提取部分生成的特征为输入，并为可变长特征序列生成声学模型分数。
c）语言模型：语言模型估计通过训练语料学习词与词之间的相互关系，来估计假设词序列的可能性，又叫语言模型分数。如果了解领域或任务相关的先验知识，语言模型的分数通常可以估计的更准确。
d）解码搜索：综合声学模型分数与语言模型分数的结果，将总体输出分数最高的词序列当做识别结果。
2
语音识别技术详解
看完上面的架构图，你应该有个大致的印象，知道整个语音识别是怎么回事儿了。下面我们详细说一些重要的过程。
2.1 语音识别单元
我们的语音内容，由基本的语音单元组成。选择要识别的语音单元是语音识别研究的第一步。
就是说，你要识别的结果是以什么为基础单位的？是单词还是元音字母？
语音识别单元有单词 (句) 、音节和音素三种，具体选择哪一种，根据具体任务来定，如词汇量大小、训练语音数据的多少。
【音素】：在汉语里，最小的语音单位是音素，是从音色的角度分出来的。
【音节】：一个音素单独存在或几个音素结合起来，叫做音节。可以从听觉上区分，汉语一般是一字一音节，少数的有两字一音节（如“花儿”）和两音节一字。
