还可能存在语种混杂现象，如中英混杂(尤其是城市白领)、普通话与方言混杂，但商业机构在这方面的投入还不多，对于中英混杂语音一般*能识别简单的英文词汇(如"你家Wi-Fi密码是多少")，因此如何有效提升多语种识别的准确率，也是当前语音识别技术面临的挑战之一。语音识别建模方法语音识别建模方法主要分为模板匹配、统计模型和深度模型几种类型，以下分别介绍DTW、GMM-HMM、DNN-HMM和端到端模型。往往会因为语速、语调等差异导致这个词的发音特征和时间长短各不相同。这样就造成通过采样得到的语音数据在时间轴上无法对齐的情况。如果时间序列无法对齐，那么传统的欧氏距离是无法有效地衡量出这两个序列间真实的相似性的。而DTW的提出就是为了解决这一问题，它是一种将两个不等长时间序列进行对齐并且衡量出这两个序列间相似性的有效方法。DTW采用动态规划的算法思想，通过时间弯折，实现P和Q两条语音的不等长匹配，将语音匹配相似度问题转换为**优路径问题。DTW是模板匹配法中的典型方法，非常适合用于小词汇量孤立词语音识别系统。但DTW过分依赖端点检测，不适合用于连续语音识别，DTW对特定人的识别效果较好。动态时间规整（DTW），它是在马尔可夫链的基础上发展起来的。远场语音识别技术以前端信号处理和后端语音识别为主，以让语音更清晰，后送入后端的语音识别引擎进行识别。浙江语音识别
CNN本质上也可以看作是从语音信号中不断抽取特征的一个过程。CNN相比于传统的DNN模型，在相同性能情况下，前者的参数量更少。综上所述，对于建模能力来说，DNN适合特征映射到空间，LSTM具有长短时记忆能力，CNN擅长减少语音信号的多样性，因此一个好的语音识别系统是这些网络的组合。端到端时代语音识别的端到端方法主要是代价函数发生了变化，但神经网络的模型结构并没有太大变化。总体来说，端到端技术解决了输入序列的长度远大于输出序列长度的问题。端到端技术主要分成两类：一类是CTC方法，另一类是Sequence-to-Sequence方法。传统语音识别DNN-HMM架构里的声学模型，每一帧输入都对应一个标签类别，标签需要反复的迭代来确保对齐更准确。采用CTC作为损失函数的声学模型序列，不需要预先对数据对齐，只需要一个输入序列和一个输出序列就可以进行训练。CTC关心的是预测输出的序列是否和真实的序列相近，而不关心预测输出序列中每个结果在时间点上是否和输入的序列正好对齐。CTC建模单元是音素或者字，因此它引入了Blank。对于一段语音，CTC输出的是尖峰的序列，尖峰的位置对应建模单元的Label，其他位置都是Blank。Sequence-to-Sequence方法原来主要应用于机器翻译领域。
上海语音识别模块不使用训练的系统被称为“说话者无关”系统。
纯粹从语音识别和自然语言理解的技术乃至功能的视角看这款产品，相对于等并未有什么本质性改变，变化只是把近场语音交互变成了远场语音交互。正式面世于销量已经超过千万，同时在扮演类似角色的渐成生态，其后台的第三方技能已经突破10000项。借助落地时从近场到远场的突破，亚马逊一举从这个赛道的落后者变为行业。但自从远场语音技术规模落地以后，语音识别领域的产业竞争已经开始从研发转为应用。研发比的是标准环境下纯粹的算法谁更有优势，而应用比较的是在真实场景下谁的技术更能产生优异的用户体验，而一旦比拼真实场景下的体验，语音识别便失去存在的价值，更多作为产品体验的一个环节而存在。语音识别似乎进入了一个相对平静期，在一路狂奔过后纷纷开始反思自己的定位和下一步的打法。语音赛道里的标志产品——智能音箱，以一种***的姿态出现在大众面前。智能音箱玩家们对这款产品的认识还都停留在：亚马逊出了一款产品，功能类似。
并能产生兴趣投身于这个行业。语音识别的技术历程现代语音识别可以追溯到1952年，Davis等人研制了世界上个能识别10个英文数字发音的实验系统，从此正式开启了语音识别的进程。语音识别发展到已经有70多年，但从技术方向上可以大体分为三个阶段。下图是从1993年到2017年在Switchboard上语音识别率的进展情况，从图中也可以看出1993年到2009年，语音识别一直处于GMM-HMM时代，语音识别率提升缓慢，尤其是2000年到2009年语音识别率基本处于停滞状态；2009年随着深度学习技术，特别是DNN的兴起，语音识别框架变为DNN-HMM，语音识别进入了DNN时代，语音识别精细率得到了提升；2015年以后，由于“端到端”技术兴起，语音识别进入了百花齐放时代，语音界都在训练更深、更复杂的网络，同时利用端到端技术进一步大幅提升了语音识别的性能，直到2017年微软在Swichboard上达到词错误率，从而让语音识别的准确性超越了人类，当然这是在一定限定条件下的实验结果，还不具有普遍代表性。GMM-HMM时代70年代，语音识别主要集中在小词汇量、孤立词识别方面，使用的方法也主要是简单的模板匹配方法，即首先提取语音信号的特征构建参数模板，然后将测试语音与参考模板参数进行一一比较和匹配。
语音识别还无法做到无限制领域、无限制人群的应用，但是至少从应用实践中我们看到了一些希望。
一直推崇的是Chain模型。该模型是一种类似于CTC的技术，建模单元相比于传统的状态要更粗颗粒一些，只有两个状态，一个状态是CDPhone，另一个是CDPhone的空白，训练方法采用的是Lattice-FreeMMI训练。该模型结构可以采用低帧率的方式进行解码，解码帧率为传统神经网络声学模型的三分之一，而准确率相比于传统模型有非常的提升。远场语音识别技术主要解决真实场景下舒适距离内人机任务对话和服务的问题，是2015年以后开始兴起的技术。由于远场语音识别解决了复杂环境下的识别问题，在智能家居、智能汽车、智能会议、智能安防等实际场景中获得了广泛应用。目前国内远场语音识别的技术框架以前端信号处理和后端语音识别为主，前端利用麦克风阵列做去混响、波束形成等信号处理，以让语音更清晰，然后送入后端的语音识别引擎进行识别。语音识别另外两个技术部分：语言模型和解码器，目前来看并没有太大的技术变化。语言模型主流还是基于传统的N-Gram方法，虽然目前也有神经网络的语言模型的研究，但在实用中主要还是更多用于后处理纠错。解码器的指标是速度，业界大部分都是按照静态解码的方式进行，即将声学模型和语言模型构造成WFST网络。该网络包含了所有可能路径。
语音识别的狭义语音识别必须走向广义语音识别，致力让机器听懂人类语言，才能将语音识别研究带到更高维度。黑龙江苹果语音识别
需要对发生在数千个离散时间步骤前的事件进行记忆，这对语音识别很重要。浙江语音识别
语音文件“/timit/test/dr5/fnlp0/”的波形图、语谱图和标注SwitchBoard——对话式电话语音库，采样率为8kHz，包含来自美国各个地区543人的2400条通话录音。研究人员用这个数据库做语音识别测试已有20多年的历史。LibriSpeech——英文语音识别数据库，总共1000小时，采样率为16kHz。包含朗读式语音和对应的文本。Thchs-30——清华大学提供的一个中文示例，并配套完整的发音词典，其数据集有30小时，采样率为16kHz。AISHELL-1——希尔贝壳开源的178小时中文普通话数据，采样率为16kHz。包含400位来自中国不同口音地区的发音人的语音，语料内容涵盖财经、科技、体育、娱乐、时事新闻等。语音识别数据库还有很多，包括16kHz和8kHz的数据。海天瑞声、数据堂等数据库公司提供大量的商用数据库，可用于工业产品的开发。08语音识别评价指标假设"我们明天去动物园"的语音识别结果如下：识别结果包含了删除、插入和替换错误。度量语音识别性能的指标有许多个，通常使用测试集上的词错误率(WordErrorRate，WER)来判断整个系统的性能，其公式定义如下：其中，NRef表示测试集所有的词数量，NDel表示识别结果相对于实际标注发生删除错误的词数量，NSub发生替换错误的词数量。浙江语音识别