随着计算机技术的飞速发展,电脑已经走入千家万户,给人类带来了无穷的便捷。与此同时,信息时代的到来使人们对计算机的智能化要求也越来越高,这也体现在人机接口上。人机对话让“机器”听懂人的语言越来越被人关注,语音识别技术正是实现这一功能,在现实生活中很多行业都采用语音识别技术进行智能化管理等,故语音识别和语音合成也成为现代计算机技术研究和发展的重要领域之一。 语音识别技术与多种学科的研究领域都有联系,这些领域的科研成果也成为推进语音识别技术发展的重要因素。语音识别技术已经取得了一些成就,但是,由于语音信号的多样性和复杂性,目前的语音识别效率也不是很高。因而发展高效率识别语音模型和算法成为语音识别研究中的一个重要课题。 本文首先对语音信号的预处理和特征提取问题进行了讨论,提取了三个有效的语音识别特征参数——LPC系数、LPC倒谱系数和Mel频率倒谱系数(MFCC);其次着重讨论了语音识别中常用的三种识别方法——基于模板匹配的矢量量化(VQ)、神经网络和隐马尔可夫模型在语音识别中的应用,分别讨论了各自的模型训练和识别的算法,对HMM算法作了详细地论述;然后结合神经网络和HMM提出的改进方法即基于统计的神经网络/HMM的语音识别模型和算法;最后通过实验仿真比较参数、算法不同对识别孤立语音的效果和两者在识别连续语音的效果进行讨论。得知采用MFCC作为特征参数比LPCC作为特征参数识别率要高,在孤立语音识别时,利用VQ模型算法比利用PNN/HMM算法识别率高得多,但在连续语音识别时,后者则比前者识别率要高。