语音识别发表的论文
科大讯飞数据集可以写论文。科大讯飞研究院联合中国科学技术大学语音实验室共发表收录14篇论文，覆盖语音识别、语音合成、语音增强、语音情感识别、声音事件检测等。
沈雨娇写的论文有撵炉胶，春夜喜雨等论文。沈雨娇的很多偏关于社会学的论文，发表在人才杂志上，引起很大反向。
吴军博士认为未来二十年是数据为王的时代，出自吴军博士的课程《大数据改变未来》。
课程中说道：
在过去的五十年里，人类整个的发展根本的这个动力从科技的角度来讲，就是一个摩尔定律，什么意思呢？就是在1965年的时候，英特网公司后来的创始人摩尔先生，他提出来在今后的十几年里，半导体处理器的性能，比如说容量、计算速度和复杂程度每18个月左右可以翻一番。他也没有预想到这件事一直发生了五十年。以至于人整个人类发生了天翻地覆的变化。
可以这么讲，我们过去的整个的社会的科技进步工业进步以及这个GDP的提升都是靠这个摩尔定律，如果我们把这个摩尔定律带来的电信化从过去五十年中拿去，我们会发现我们可能GDP不但没有增加，而且还在减少。那么这是过去五十年的情况。
在今后二十年它又会往哪儿走呢？在未来的二十年里，什么决定世界经济发展的方向？我认为如果说过去五十年是摩尔定律的时代，未来二十年就是数据为王的时代。
大数据会带来机器智能，也就是说让我们的计算机变得非常聪明，以至于它超过我们人类的智能。为什么这么说呢？我们刚才讲了，计算机的发展速度本身是一个指数增长，而我们人的智能的发展速度是一个线性增长，甚至还会稍微慢一点，那么一定在某一个时间点，它会重合。
今天可能就是这个重合的时间点，那可能你又会问了，为什么正好在这个时间点上，我们会有这么多的数据？一个是互联网的收集和积累，再有一个就是今天各种传感器，各种智能设备，各种监控设备，它们无时无刻地不在为我们提供大量的数据。而在我们过去，因为存储量计算量不够的时候，我们把这些数据都抛弃掉了，不是说这些数据在过去不存在现在存在，只是说我们现在因为半导体事业的发展，我们有能力，有可能来存储和处理这样一些数据。
扩展资料：
吴军博士简介：
毕业于清华大学计算机系（本科）和清华大学电子工程系（硕士），并于1993-1996年在清华任讲师。于1996年起在美国约翰霍普金斯大学攻读博士，并于2002年获得计算机科学博士学位。
在清华和约翰霍普金斯大学期间，吴军博士致力于语音识别、自然语言处理，特别是统计语言模型的研究。他曾获得1995年的全国人机语音智能接口会议的最佳论文奖和2000年Eurospeech的最佳论文奖。
吴军博士于2002年加入Google公司，任Google研究院资深研究员。到Google不久，他和三个同事们开创了网络搜索反作弊的研究领域，并因此获得工程奖。
2003年，他和两个同事共同成立了中日韩文搜索部门。吴军博士是当前Google中日韩文搜索算法的主要设计者。在Google期间，他领导了许多研发项目，包括许多与中文相关的产品和自然语言处理的项目，并得到了公司首席执行官埃里克·施密特的高度评价。
吴军博士在国内外发表过数十篇论文并获得和申请了近十项美国和国际专利。他于2005年起，当选为约翰霍普金斯大学计算机系董事会董事。
2010年，吴军博士离开Google，加盟腾讯公司，担任负责搜索业务的副总裁。并担任国家重大专项“新一代搜索引擎和浏览器”项目的总负责人。
参考资料：百度百科-吴军
与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 任务分类和应用 根据识别的对象不同，语音识别任务大体可分为3类，即孤立词识别（isolated word recognition)，关键词识别（或称关键词检出，keyword spotting)和连续语音识别。其中，孤立词识别 的任务是识别事先已知的孤立的词，如“开机”、“关机”等；连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话；连续语音流中的关键词检测针对的是连续语音，但它并不识别全部文字，而只是检测已知的若干关键词在何处出现，如在一段话中检测“计算机”、“世界”这两个词。根据针对的发音人，可以把语音识别技术分为特定人语音识别和非特定人语音识别，前者只能识别一个或几个人的语音，而后者则可以被任何人使用。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。另外，根据语音设备和通道，可以分为桌面（PC）语音识别、电话语音识别和嵌入式设备（手机、PDA等）语音识别。不同的采集通道会使人的发音的声学特性发生变形，因此需要构造各自的识别系统。语音识别的应用领域非常广泛，常见的应用系统有：语音输入系统，相对于键盘输入方法，它更符合人的日常习惯，也更自然、更高效；语音控制系统，即用语音来控制设备的运行，相对于手动控制来说更加快捷、方便，可以用在诸如工业控制、语音拨号系统、智能家电、声控智能玩具等许多领域；智能对话查询系统，根据客户的语音进行操作，为用户提供自然、友好的数据库检索服务，例如家庭服务、宾馆服务、旅行社服务系统、订票系统、医疗服务、银行服务、股票查询服务等等。 前端前端处理是指在特征提取之前，先对原始语音进行处理，部分消除噪声和不同说话人带来的影响，使处理后的信号更能反映语音的本质特征。最常用的前端处理有端点检测和语音增强。端点检测是指在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点。经过端点检测后，后续处理就可以只对语音信号进行，这对提高模型的精确度和识别正确率有重要作用。语音增强的主要任务就是消除环境噪声对语音的影响。目前通用的方法是采用维纳滤波，该方法在噪声较大的情况下效果好于其它滤波器。处理声学特征 声学特征的提取与选择是语音识别的一个重要环节。声学特征的提取既是一个信息大幅度压缩的过程，也是一个信号解卷过程，目的是使模式划分器能更好地划分。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，也即进行短时分析。这一段被认为是平稳的分析区间称之为帧，帧与帧之间的偏移通常取帧长的1/2或1/3。通常要对信号进行预加重以提升高频，对信号加窗以避免短时语音段边缘的影响。常用的一些声学特征* 线性预测系数LPC：线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。对 LPC的计算方法有自相关法（德宾Durbin法）、协方差法、格型法等等。计算上的快速有效保证了这一声学特征的广泛使用。与LPC这种预测参数模型类似的声学特征还有线谱对LSP、反射系数等等。* 倒谱系数CEP：利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数。对LPC倒谱（LPCCEP），在获得滤波器的线性预测系数后，可以用一个递推公式计算得出。实验表明，使用倒谱可以提高特征参数的稳定性。* Mel倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测 PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。声学模型语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。本节和下一节分别介绍声学模型和语言模型方面的技术。HMM声学建模：马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模，一个音素就是一个三至五状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，而连续语音识别的整个模型就是词和静音组合起来的HMM。上下文相关建模：协同发音，指的是一个音受前后相邻音的影响而发生变化，从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变，从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响，从而使模型能更准确地描述语音，只考虑前一音的影响的称为Bi- Phone，考虑前一音和后一音的影响的称为Tri-Phone。英语的上下文相关建模通常以音素为基元，由于有些音素对其后音素的影响是相似的，因而可以通过音素解码状态的聚类进行模型参数的共享。聚类的结果称为senone。决策树用来实现高效的triphone对senone的对应，通过回答一系列前后音所属类别（元/辅音、清/浊音等等）的问题，最终确定其HMM状态应使用哪个senone。分类回归树CART模型用以进行词到音素的发音标注。 语言模型语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。 搜索连续语音识别中的搜索，就是寻找一个词模型序列以描述输入语音信号，从而得到词解码序列。搜索所依据的是对公式中的声学模型打分和语言模型打分。在实际使用中，往往要依据经验给语言模型加上一个高权重，并设置一个长词惩罚分数。Viterbi：基于动态规划的Viterbi算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并在每个节点记录下相应的状态信息以便最后反向获取词解码序列。Viterbi算法在不丧失最优解的条件下，同时解决了连续语音识别中HMM模型状态序列与声学观察序列的非线性时间对准、词边界检测和词的识别，从而使这一算法成为语音识别搜索的基本策略。由于语音识别对当前时间点之后的情况无法预测，基于目标函数的启发式剪枝难以应用。由于Viterbi算法的时齐特性，同一时刻的各条路径对应于同样的观察序列，因而具有可比性，束Beam搜索在每一时刻只保留概率最大的前若干条路径，大幅度的剪枝提高了搜索的效率。这一时齐Viterbi- Beam算法是当前语音识别搜索中最有效的算法。 N-best搜索和多遍搜索：为在搜索中利用各种知识源，通常要进行多遍搜索，第一遍使用代价低的知识源，产生一个候选列表或词候选网格，在此基础上进行使用代价高的知识源的第二遍搜索得到最佳路径。此前介绍的知识源有声学模型、语言模型和音标词典，这些可以用于第一遍搜索。为实现更高级的语音识别或口语理解，往往要利用一些代价更高的知识源，如4阶或5阶的N-Gram、4阶或更高的上下文相关模型、词间相关模型、分段模型或语法分析，进行重新打分。最新的实时大词表连续语音识别系统许多都使用这种多遍搜索策略。N-best搜索产生一个候选列表，在每个节点要保留N条最好的路径，会使计算复杂度增加到N倍。简化的做法是只保留每个节点的若干词候选，但可能丢失次优候选。一个折衷办法是只考虑两个词长的路径，保留k条。词候选网格以一种更紧凑的方式给出多候选，对N-best搜索算法作相应改动后可以得到生成候选网格的算法。前向后向搜索算法是一个应用多遍搜索的例子。当应用简单知识源进行了前向的Viterbi搜索后，搜索过程中得到的前向概率恰恰可以用在后向搜索的目标函数的计算中，因而可以使用启发式的A算法进行后向搜索，经济地搜索出N条候选。 系统实现 语音识别系统选择识别基元的要求是，有准确的定义，能得到足够数据进行训练，具有一般性。英语通常采用上下文相关的音素建模，汉语的协同发音不如英语严重，可以采用音节建模。系统所需的训练数据大小与模型复杂度有关。模型设计得过于复杂以至于超出了所提供的训练数据的能力，会使得性能急剧下降。听写机：大词汇量、非特定人、连续语音识别系统通常称为听写机。其架构就是建立在前述声学模型和语言模型基础上的HMM拓扑结构。训练时对每个基元用前向后向算法获得模型参数，识别时，将基元串接成词，词间加上静音模型并引入语言模型作为词间转移概率，形成循环结构，用Viterbi算法进行解码。针对汉语易于分割的特点，先进行分割再对每一段进行解码，是用以提高效率的一个简化方法。对话系统：用于实现人机口语对话的系统称为对话系统。受目前技术所限，对话系统往往是面向一个狭窄领域、词汇量有限的系统，其题材有旅游查询、订票、数据库检索等等。其前端是一个语音识别器，识别产生的N-best候选或词候选网格，由语法分析器进行分析获取语义信息，再由对话管理器确定应答信息，由语音合成器输出。由于目前的系统往往词汇量有限，也可以用提取关键词的方法来获取语义信息。 自适应与强健性 语音识别系统的性能受许多因素的影响，包括不同的说话人、说话方式、环境噪音、传输信道等等。提高系统鲁棒性，是要提高系统克服这些因素影响的能力，使系统在不同的应用环境、条件下性能稳定；自适应的目的，是根据不同的影响来源，自动地、有针对性地对系统进行调整，在使用中逐步提高性能。以下对影响系统性能的不同因素分别介绍解决办法。解决办法按针对语音特征的方法（以下称特征方法）和模型调整的方法（以下称模型方法）分为两类。前者需要寻找更好的、高鲁棒性的特征参数，或是在现有的特征参数基础上，加入一些特定的处理方法。后者是利用少量的自适应语料来修正或变换原有的说话人无关（SI）模型，从而使其成为说话人自适应（SA）模型。说话人自适应的特征方法有说话人规一化和说话人子空间法，模型方法有贝叶斯方法、变换法和模型合并法。语音系统中的噪声，包括环境噪声和录音过程加入的电子噪声。提高系统鲁棒性的特征方法包括语音增强和寻找对噪声干扰不敏感的特征，模型方法有并行模型组合PMC方法和在训练中人为加入噪声。信道畸变包括录音时话筒的距离、使用不同灵敏度的话筒、不同增益的前置放大和不同的滤波器设计等等。特征方法有从倒谱矢量中减去其长时平均值和RASTA滤波，模型方法有倒谱平移。 微软语音识别引擎 微软在office和vista中都应用了自己开发的语音识别引擎，微软语音识别引擎的使用是完全免费的，所以产生了许多基于微软语音识别引擎开发的语音识别应用软件，例如《语音游戏大师》《语音控制专家》《芝麻开门》等等软件。 语音识别系统的性能指标 语音识别系统的性能指标主要有四项。①词汇表范围：这是指机器能识别的单词或词组的范围，如不作任何限制，则可认为词汇表范围是无限的。②说话人限制：是仅能识别指定发话者的语音，还是对任何发话人的语音都能识别。③训练要求：使用前要不要训练，即是否让机器先“听”一下给定的语音，以及训练次数的多少。④正确识别率：平均正确识别的百分数，它与前面三个指标有关。小结以上介绍了实现语音识别系统的各个方面的技术。这些技术在实际使用中达到了较好的效果，但如何克服影响语音的各种因素还需要更深入地分析。目前听写机系统还不能完全实用化以取代键盘的输入，但识别技术的成熟同时推动了更高层次的语音理解技术的研究。由于英语与汉语有着不同的特点，针对英语提出的技术在汉语中如何使用也是一个重要的研究课题，而四声等汉语本身特有的问题也有待解决。
语音识别论文发表
●成功箴言之一：自信不失谦虚 谦虚不失自信
李开复1961年出生于台湾，母亲在43岁高龄时生下他前，被医生数次劝阻。因为医生透露，如此高龄的产妇很可能生下白痴。但是母亲不顾一切劝阻生下了这个幺儿。这个幺儿在母亲的极度宠爱下自由自在地成长着，喜欢做很多恶作剧。把家里所有的钟表调慢一小时以便晚上床睡觉。把邻居池塘里的水放干以证实邻居池塘里并没有100条鱼。这一切母亲都只是报以宽容的一笑。但是母亲不允许孩子傲慢和目中无人。
当5岁的李开复得意洋洋地对邻居阿姨表示“上小学以后就没有见过99分”后。母亲不允许这样的狂放存在于孩子身上，有史以来第一次打了开复。母亲告诉他，“不只要好好学习，还要改掉骄傲的毛玻自夸是要不得的。谦虚是中国人的美德。”母亲总是不失时机地把做人的道理告诉开复。这一次强烈的记忆，使得开复懂得如何在谦虚和自信中保持平衡，而不会在自卑或自负中跌倒。
●成功箴言之二：天赋就是兴趣 兴趣就是天赋
李开复11岁留学美国之后，一直在美国成长。1972年，他进入了美国哥伦比亚大学学习“政治科学”专业。然而两年的学习让他知道自己的兴趣并非在政治方面。学习的枯燥经常让他在课堂上昏昏欲睡，学习成绩也不尽如人意。但是，他发现他在选修的计算机课上，有着惊人的天赋。往往是别人还在苦思冥想如何写出程序时，他早就把程序写完而无所事事。后来，他发现他像发疯一样爱上了这门学科。因此，在大学二年级时，他自己做出了一个惊人的决定，“转系!”这意味着他将从一个全美排名第3的专业转到一个毫无名气可言的专业。但是，他听从了内心的选择，还是选择了计算机专业。而这个决定，改写了他一生的轨迹。
●成功箴言之三：思考比传道重要 观点比解惑重要
李开复以哥伦比亚大学计算机专业第一名的成绩毕业以后，顺利进入匹兹堡的卡内基?梅隆大学就读计算机专业的博士。在读博士之前，他的系主任haberman就告诉他，读博士的目的，就是要做出世界上一流的博士论文。至少在本领域是世界顶尖的。这句话让李开复十分震撼。然而，下面一句话，让他受益更深，haberman说，“做出一流的博士论文，也不是读博士的最终目的。而是你在读博士的过程中，获得一种思考的方法，而这种方法将使你在任何一个领域，都获得顶尖的成功!”而李开复的努力证实了这种说法。李开复关于统计学方法做出的语音识别博士论文至今还是语音识别产品的理论基矗而李开复也在博士生涯中，学会了解决问题，拥有了战胜困难的勇气。
●成功箴言之四：我不同意你 但我支持你
李开复在读博士期间选择的研究方向是“语音识别”。师从博士生导师罗迪。罗迪教授鼓励李开复用专家统计的方法来研究语音识别，而李开复在这个领域经过了一番研究后，发现语音识别用这个方法可以获得特定语者95%的语音识别率。李开复把整个研究过程写了一篇论文。一经发表，得到了很正面的回溃但是他最终发现，专家系统是有严重局限性的，无法延伸到做不特定语者的语音识别。他认为有数据的支持的统计模式是唯一的希望。当他把想法告诉导师，罗迪告诉他，“我不同意你，但是我支持你!”这样的说法让李开复备受感动，成就了李开复博士论文的成功。他的论文当年被评为《商业周刊》最杰出创新。
●成功箴言之五：挫折不是惩罚 而是学习的机会
李开复在博士生生涯里，成绩依然优秀。他用统计学做出的语音识别率大大地提高了，而博士论文发表在国际期刊上，让全美的科技界震惊。这样一个明星学生可以说在卡内基?梅隆里没有什么忧愁可言。然而，一次暑期课程让他经历了不小的挫折。1983年暑假，李开复得到了暑期工的工作。
其任务就是教宾夕法尼亚州60个最聪明的高中生计算机课程。李开复自己对那段时光非常享受，每天忙碌地备课，还想出各种教学方法。但是，他领取薪水的那一瞬间看到学生的评语，才知道学生认为，“李老师的教学就像催眠曲!”这样的评价无疑使得李开复备受打击。
然而，李开复并没有气馁。他把失败当成了学习的机会，因此获得了成功。他在此后的生涯里，尤其是回到中国以后，做了上千场的演讲。这无疑得益于学生时代的练习。
●成功箴言之六：创新不重要 有用的创新才重要
在苹果和sgi李开复度过了八年科学家到产品副总裁的路程。在这段路程上，他有许多成功，例如苹果的quicktime，但是在sgi他碰到了巨大的挫折。他的团队发明的三维浏览器，在市场上失败，整个团队和产品被公司廉价卖掉。这时，他又发挥了“从挫折中学习”的反剩他理解了，仅仅有科学家的`“新”、“酷”的创新是不够的。创新必须是针对用户的，必须是有用的。做产品的管理，必须把用户放在第一位。李开复1998年夏天回到中国，在中国开创微软中国研究院。这时，他把这个教训带入中国团队。
●成功箴言之七：完美的工作 成长兴趣 影响力
XX年，李开复被调回微软总部成为微软全球副总裁。几年工作后，他深深地体会了一个完美工作的标准，那就是自己有浓厚的兴趣，能有成长的空间，并具备一定的影响力。他怀念着在中国研究院的兴趣，还有在刚调回美国的学习，但是他期望着有更大的影响力。当他发现谷歌将开始在中国创建时，他主动找到了谷歌ceo施密特，并表示愿意加入谷歌。而施密特十分高兴，在一个月之后就给了李开复offer。李开复说，当你遇到喜欢的工作机会，不需要任何的迟疑，而需要积极主动来争龋因为这样的机会往往炙手可热，一秒钟的犹豫你就可能与之失之交臂。
●成功箴言之八：用勇气改变可以改变的事情
XX年，是李开复的转折年。他没有想到，一次普通换工作的经历引发了一次地震。微软的诉讼使他陷入了人生最低的低谷。对他的虚假负面报道铺天盖地而来。但是，他想到了他一生的座右铭：用勇气改变可以改变的事情，用胸怀接受不能改变的事情，用智慧分辨两者的不同。
于是，他全力以赴地投入了这场战斗，不再理会那些不能改变的谣言。将从微软提取的30万份邮件资料中找寻有利的证据以证明自己的清白。经过两个月的努力，法庭同意李开复到谷歌工作。最后，当李开复回到媒体面前开始工作时，他发现，没有一个记者还提问与诉讼有关的问题，因为作为官司的胜利者，媒体不再相信那些谣言。
●成功箴言之九：做最好的领导 让员工做有兴趣的事
谷歌公司聚集着世界上最天才的工程师们。如何管理这些“天才”，是摆在李开复面前的另一个课题。李开复非常推崇“放权”式的管理， 他深知在以创意为主要生产力的公司里，不能严格地恪守那些死板的规定。他可以让员工自己提出研究的方向。大家讨论决定。也可以让员工用20%的时间做自己喜欢的项目。他甚至可以让员工对公司提出建议。如果合理就采纳。谷歌里自由的环境非常有名。作为管理者，他主要是在公司战略、每年的目标、合作伙伴、总部沟通上努力，其他的时间，他更是一个企业文化的维护者、公司的发言人、员工的教练。
●成功箴言之十：价值不是你拥有多少 而是你留下多少
什么是成功?是否拥有了名利就算成功。对此，李开复回答，你的价值不是你拥有多少，而是你留下多少。当他的一个同事赚够了钱而发现失去人生目标时，才意识到，人生的价值在于贡献，和对他人的影响。
李开复曾经有过一个独特的梦想，就是在中国创建一所一流的，有世界影响力的私立大学。他甚至身体力行地为此多方奔走。但是最终因为种种原因没有成功。但是他并没有气馁，而是用另外的方式实践梦想。他说：“我不能改变教育，但是我可以帮助学生。”他给中国的大学生写信，写书，办了“我学网”，每年面对十万学生做演讲。在帮助学生的过程中，李开复看到中国大学生的成长。他说，他曾经想过自己的墓志铭应该有科学家或者企业家的注脚。但是，他说他现在已经没有这种想法，如果他的墓志铭上有热心教育者的字样，他会感觉到内心的温暖。
科大讯飞数据集可以写论文。科大讯飞研究院联合中国科学技术大学语音实验室共发表收录14篇论文，覆盖语音识别、语音合成、语音增强、语音情感识别、声音事件检测等。
小米发表论文语音识别
3.在应用商店搜索科大讯飞语音引擎下载安装也可以。
2S自带百度输入法，没见语音识别，也没有皮肤下载～
语音识别设置，设置了以后，手机可以根据你的语音命令，操作和控制手机。（拨打电话，查找联系人，播放音乐视频，照相等）
小米手机仅支持录音功能，语音转文字需要配图下载uu速录侠。
语音识别方面发表论文
沈雨娇写的论文有撵炉胶，春夜喜雨等论文。沈雨娇的很多偏关于社会学的论文，发表在人才杂志上，引起很大反向。
语音识别技术研究让人更加方便地享受到更多的社会信息资源和现代化服务，对任何事都能够通过语音交互的方式。 我整理了浅谈语音识别技术论文，欢迎阅读!
语音识别技术概述
作者：刘钰 马艳丽 董蓓蓓
摘要：本文简要介绍了语音识别技术理论基础及分类方式，所采用的关键技术以及所面临的困难与挑战，最后讨论了语音识别技术的 发展 前景和应用。
关键词：语音识别;特征提取;模式匹配;模型训练
Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to face.Then,the developing prospect ion and application of the speech-identification technology are discussed in the last part.
Keywords:Speech identification;Character Pick-up;Mode matching;Model training
一、语音识别技术的理论基础
语音识别技术：是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高级技术。语音识别以语音为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到生 理学 、心理学、语言学、 计算 机 科学 以及信号处理等诸多领域，甚至还涉及到人的体态语言(如人在说话时的表情、手势等行为动作可帮助对方理解)，其最终目标是实现人与机器进行 自然 语言通信。
不同的语音识别系统，虽然具体实现细节有所不同，但所采用的基本技术相似，一个典型语音识别系统主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。此外，还涉及到语音识别单元的选取。
(一) 语音识别单元的选取
选择识别单元是语音识别研究的第一步。语音识别单元有单词(句)、音节和音素三种，具体选择哪一种，由具体的研究任务决定。
单词(句)单元广泛应用于中小词汇语音识别系统，但不适合大词汇系统，原因在于模型库太庞大，训练模型任务繁重，模型匹配算法复杂，难以满足实时性要求。
音节单元多见于汉语语音识别，主要因为汉语是单音节结构的语言，而 英语 是多音节，并且汉语虽然有大约1300个音节，但若不考虑声调，约有408个无调音节，数量相对较少。因此，对于中、大词汇量汉语语音识别系统来说，以音节为识别单元基本是可行的。
音素单元以前多见于英语语音识别的研究中，但目前中、大词汇量汉语语音识别系统也在越来越多地采用。原因在于汉语音节仅由声母(包括零声母有22个)和韵母(共有28个)构成，且声韵母声学特性相差很大。实际应用中常把声母依后续韵母的不同而构成细化声母，这样虽然增加了模型数目，但提高了易混淆音节的区分能力。由于协同发音的影响，音素单元不稳定，所以如何获得稳定的音素单元，还有待研究。
(二) 特征参数提取技术
语音信号中含有丰富的信息，但如何从中提取出对语音识别有用的信息呢?特征提取就是完成这项工作，它对语音信号进行分析处理，去除对语音识别无关紧要的冗余信息，获得影响语音识别的重要信息。对于非特定人语音识别来讲，希望特征参数尽可能多的反映语义信息，尽量减少说话人的个人信息(对特定人语音识别来讲，则相反)。从信息论角度讲，这是信息压缩的过程。
线性预测(LP)分析技术是目前应用广泛的特征参数提取技术，许多成功的应用系统都采用基于LP技术提取的倒谱参数。但线性预测模型是纯数学模型，没有考虑人类听觉系统对语音的处理特点。
Mel参数和基于感知线性预测(PLP)分析提取的感知线性预测倒谱，在一定程度上模拟了人耳对语音的处理特点，应用了人耳听觉感知方面的一些研究成果。实验证明，采用这种技术，语音识别系统的性能有一定提高。
也有研究者尝试把小波分析技术应用于特征提取，但目前性能难以与上述技术相比，有待进一步研究。
(三)模式匹配及模型训练技术
模型训练是指按照一定的准则，从大量已知模式中获取表征该模式本质特征的模型参数，而模式匹配则是根据一定准则，使未知模式与模型库中的某一个模型获得最佳匹配。
语音识别所应用的模式匹配和模型训练技术主要有动态时间归正技术(DTW)、隐马尔可夫模型(HMM)和人工神经元 网络 (ANN)。
DTW是较早的一种模式匹配和模型训练技术，它应用动态规划方法成功解决了语音信号特征参数序列比较时时长不等的难题，在孤立词语音识别中获得了良好性能。但因其不适合连续语音大词汇量语音识别系统，目前已被HMM模型和ANN替代。
HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性，其中一个是隐蔽的(不可观测的)具有有限状态的Markor链，另一个是与Markor链的每一状态相关联的观察矢量的随机过程(可观测的)。隐蔽Markor链的特征要靠可观测到的信号特征揭示。这样，语音等时变信号某一段的特征就由对应状态观察符号的随机过程描述，而信号随时间的变化由隐蔽Markor链的转移概率描述。模型参数包括HMM拓扑结构、状态转移概率及描述观察符号统计特性的一组随机函数。按照随机函数的特点，HMM模型可分为离散隐马尔可夫模型(采用离散概率密度函数，简称DHMM)和连续隐马尔可夫模型(采用连续概率密度函数，简称CHMM)以及半连续隐马尔可夫模型(SCHMM，集DHMM和CHMM特点)。一般来讲，在训练数据足够的，CHMM优于DHMM和SCHMM。HMM模型的训练和识别都已研究出有效的算法，并不断被完善，以增强HMM模型的鲁棒性。
人工神经元 网络 在语音识别中的 应用是现在研究的又一 热点。ANN本质上是一个自适应非线性动力学系统，模拟了人类神经元活动的原理，具有自学、联想、对比、推理和概括能力。这些能力是HMM模型不具备的，但ANN又不个有HMM模型的动态时间归正性能。因此，现在已有人研究如何把二者的优点有机结合起来，从而提高整个模型的鲁棒性。
二、语音识别的困难与对策
目前，语音识别方面的困难主要表现在：
(一)语音识别系统的适应性差，主要体现在对环境依赖性强，即在某种环境下采集到的语音训练系统只能在这种环境下应用，否则系统性能将急剧下降;另外一个问题是对用户的错误输入不能正确响应，使用不方便。
(二)高噪声环境下语音识别进展困难，因为此时人的发音变化很大，像声音变高，语速变慢，音调及共振峰变化等等，这就是所谓Lombard效应，必须寻找新的信号分析处理方法。
(三)语言学、生 理学 、心理学方面的研究成果已有不少，但如何把这些知识量化、建模并用于语音识别，还需研究。而语言模型、语法及词法模型在中、大词汇量连续语音识别中是非常重要的。
(四)我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统的控制机理等分面的认识还很不清楚;其次，把这方面的现有成果用于语音识别，还有一个艰难的过程。
(五)语音识别系统从实验室演示系统到商品的转化过程中还有许多具体问题需要解决，识别速度、拒识问题以及关键词(句)检测技术等等技术细节要解决。
三、语音识别技术的前景和应用
语音识别技术 发展 到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%，对特定人语音识别系统的识别精度就更高。这些技术已经能够满足通常应用的要求。由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。在西方 经济 发达国家，大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音识别拨号功能，还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票、 旅游 、银行信息，并且取得很好的结果。
语音识别是一门交叉学科，语音识别正逐步成为信息技术中人机接口的关键技术，语音识别技术与语音合成技术结合使人们能够甩掉键盘，通过语音命令进行操作。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。
参考 文献 ：
[1]科大讯飞语音识别技术专栏. 语音识别产业的新发展. 企业 专栏.通讯世界,2007.2:(总l12期)
[2]任天平,门茂深.语音识别技术应用的进展.科技广场.河南科技,2005.2:19-20
[3]俞铁城.科大讯飞语音识别技术专栏.语音识别的发展现状.企业专栏.通讯世界,2006.2 (总122期)
[4]陈尚勤等.近代语音识别.西安: 电子 科技大学出版社,1991
[5]王炳锡等.实用语音识别基础.Practical Fundamentals of Speech Recognition.北京:国防 工业 出版社,2005
[6](美)L.罗宾纳.语音识别基本原理.北京:清华大学出版社,1999
点击下页还有更多>>>浅谈语音识别技术论文
1.《基于深度学习的自然语言处理技术研究》2.《基于深度学习的计算机视觉技术研究》3.《基于深度学习的语音识别技术研究》4.《基于深度学习的机器翻译技术研究》5.《基于深度学习的自动驾驶技术研究》6.《基于深度学习的智能家居技术研究》7.《基于深度学习的智能机器人技术研究》8.《基于深度学习的智能推荐系统技术研究》9.《基于深度学习的自然语言理解技术研究》10.《基于深度学习的智能安全技术研究》
言语识别论文怎么写好发表
怎么完整的写一篇论文并发表：
1，初始阶段，论文选题。
选论文，不仅仅是要选一个好题目，更重要是的，选择一个好导师。一个好的选题，让你有一个清晰的方向；而一个好的导师，给你的方向添了一笔色彩。
2，准备阶段，读相关文献。
我这次论文，导师给了三篇文献，全英文的，最开始我读着非常痛苦，每看一段，都需要翻译，我用的是腾讯翻译这个手机app，总的来说是很方便。
比如数学专业的，所以论文也跟数学相关，这次我做的论文是关于利用相关一些算法解决变分不等式问题的。
3，准备完成，就可以可以发表。
发表论文注意事项：
只看论文标题，确定10-20篇准备看摘要的论文。
浏览找到顶会文章的paper title list，根据直观易懂且小众原则排序选出10-20篇论文看摘要。
看10-20篇准备看摘要的论文。
找到3-5篇摘要看的懂的论文，仍然是直观易懂且小众排序原则。
与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 任务分类和应用 根据识别的对象不同，语音识别任务大体可分为3类，即孤立词识别（isolated word recognition)，关键词识别（或称关键词检出，keyword spotting)和连续语音识别。其中，孤立词识别 的任务是识别事先已知的孤立的词，如“开机”、“关机”等；连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话；连续语音流中的关键词检测针对的是连续语音，但它并不识别全部文字，而只是检测已知的若干关键词在何处出现，如在一段话中检测“计算机”、“世界”这两个词。根据针对的发音人，可以把语音识别技术分为特定人语音识别和非特定人语音识别，前者只能识别一个或几个人的语音，而后者则可以被任何人使用。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。另外，根据语音设备和通道，可以分为桌面（PC）语音识别、电话语音识别和嵌入式设备（手机、PDA等）语音识别。不同的采集通道会使人的发音的声学特性发生变形，因此需要构造各自的识别系统。语音识别的应用领域非常广泛，常见的应用系统有：语音输入系统，相对于键盘输入方法，它更符合人的日常习惯，也更自然、更高效；语音控制系统，即用语音来控制设备的运行，相对于手动控制来说更加快捷、方便，可以用在诸如工业控制、语音拨号系统、智能家电、声控智能玩具等许多领域；智能对话查询系统，根据客户的语音进行操作，为用户提供自然、友好的数据库检索服务，例如家庭服务、宾馆服务、旅行社服务系统、订票系统、医疗服务、银行服务、股票查询服务等等。 前端前端处理是指在特征提取之前，先对原始语音进行处理，部分消除噪声和不同说话人带来的影响，使处理后的信号更能反映语音的本质特征。最常用的前端处理有端点检测和语音增强。端点检测是指在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点。经过端点检测后，后续处理就可以只对语音信号进行，这对提高模型的精确度和识别正确率有重要作用。语音增强的主要任务就是消除环境噪声对语音的影响。目前通用的方法是采用维纳滤波，该方法在噪声较大的情况下效果好于其它滤波器。处理声学特征 声学特征的提取与选择是语音识别的一个重要环节。声学特征的提取既是一个信息大幅度压缩的过程，也是一个信号解卷过程，目的是使模式划分器能更好地划分。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，也即进行短时分析。这一段被认为是平稳的分析区间称之为帧，帧与帧之间的偏移通常取帧长的1/2或1/3。通常要对信号进行预加重以提升高频，对信号加窗以避免短时语音段边缘的影响。常用的一些声学特征* 线性预测系数LPC：线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。对 LPC的计算方法有自相关法（德宾Durbin法）、协方差法、格型法等等。计算上的快速有效保证了这一声学特征的广泛使用。与LPC这种预测参数模型类似的声学特征还有线谱对LSP、反射系数等等。* 倒谱系数CEP：利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数。对LPC倒谱（LPCCEP），在获得滤波器的线性预测系数后，可以用一个递推公式计算得出。实验表明，使用倒谱可以提高特征参数的稳定性。* Mel倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测 PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。声学模型语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。本节和下一节分别介绍声学模型和语言模型方面的技术。HMM声学建模：马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模，一个音素就是一个三至五状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，而连续语音识别的整个模型就是词和静音组合起来的HMM。上下文相关建模：协同发音，指的是一个音受前后相邻音的影响而发生变化，从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变，从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响，从而使模型能更准确地描述语音，只考虑前一音的影响的称为Bi- Phone，考虑前一音和后一音的影响的称为Tri-Phone。英语的上下文相关建模通常以音素为基元，由于有些音素对其后音素的影响是相似的，因而可以通过音素解码状态的聚类进行模型参数的共享。聚类的结果称为senone。决策树用来实现高效的triphone对senone的对应，通过回答一系列前后音所属类别（元/辅音、清/浊音等等）的问题，最终确定其HMM状态应使用哪个senone。分类回归树CART模型用以进行词到音素的发音标注。 语言模型语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。 搜索连续语音识别中的搜索，就是寻找一个词模型序列以描述输入语音信号，从而得到词解码序列。搜索所依据的是对公式中的声学模型打分和语言模型打分。在实际使用中，往往要依据经验给语言模型加上一个高权重，并设置一个长词惩罚分数。Viterbi：基于动态规划的Viterbi算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并在每个节点记录下相应的状态信息以便最后反向获取词解码序列。Viterbi算法在不丧失最优解的条件下，同时解决了连续语音识别中HMM模型状态序列与声学观察序列的非线性时间对准、词边界检测和词的识别，从而使这一算法成为语音识别搜索的基本策略。由于语音识别对当前时间点之后的情况无法预测，基于目标函数的启发式剪枝难以应用。由于Viterbi算法的时齐特性，同一时刻的各条路径对应于同样的观察序列，因而具有可比性，束Beam搜索在每一时刻只保留概率最大的前若干条路径，大幅度的剪枝提高了搜索的效率。这一时齐Viterbi- Beam算法是当前语音识别搜索中最有效的算法。 N-best搜索和多遍搜索：为在搜索中利用各种知识源，通常要进行多遍搜索，第一遍使用代价低的知识源，产生一个候选列表或词候选网格，在此基础上进行使用代价高的知识源的第二遍搜索得到最佳路径。此前介绍的知识源有声学模型、语言模型和音标词典，这些可以用于第一遍搜索。为实现更高级的语音识别或口语理解，往往要利用一些代价更高的知识源，如4阶或5阶的N-Gram、4阶或更高的上下文相关模型、词间相关模型、分段模型或语法分析，进行重新打分。最新的实时大词表连续语音识别系统许多都使用这种多遍搜索策略。N-best搜索产生一个候选列表，在每个节点要保留N条最好的路径，会使计算复杂度增加到N倍。简化的做法是只保留每个节点的若干词候选，但可能丢失次优候选。一个折衷办法是只考虑两个词长的路径，保留k条。词候选网格以一种更紧凑的方式给出多候选，对N-best搜索算法作相应改动后可以得到生成候选网格的算法。前向后向搜索算法是一个应用多遍搜索的例子。当应用简单知识源进行了前向的Viterbi搜索后，搜索过程中得到的前向概率恰恰可以用在后向搜索的目标函数的计算中，因而可以使用启发式的A算法进行后向搜索，经济地搜索出N条候选。 系统实现 语音识别系统选择识别基元的要求是，有准确的定义，能得到足够数据进行训练，具有一般性。英语通常采用上下文相关的音素建模，汉语的协同发音不如英语严重，可以采用音节建模。系统所需的训练数据大小与模型复杂度有关。模型设计得过于复杂以至于超出了所提供的训练数据的能力，会使得性能急剧下降。听写机：大词汇量、非特定人、连续语音识别系统通常称为听写机。其架构就是建立在前述声学模型和语言模型基础上的HMM拓扑结构。训练时对每个基元用前向后向算法获得模型参数，识别时，将基元串接成词，词间加上静音模型并引入语言模型作为词间转移概率，形成循环结构，用Viterbi算法进行解码。针对汉语易于分割的特点，先进行分割再对每一段进行解码，是用以提高效率的一个简化方法。对话系统：用于实现人机口语对话的系统称为对话系统。受目前技术所限，对话系统往往是面向一个狭窄领域、词汇量有限的系统，其题材有旅游查询、订票、数据库检索等等。其前端是一个语音识别器，识别产生的N-best候选或词候选网格，由语法分析器进行分析获取语义信息，再由对话管理器确定应答信息，由语音合成器输出。由于目前的系统往往词汇量有限，也可以用提取关键词的方法来获取语义信息。 自适应与强健性 语音识别系统的性能受许多因素的影响，包括不同的说话人、说话方式、环境噪音、传输信道等等。提高系统鲁棒性，是要提高系统克服这些因素影响的能力，使系统在不同的应用环境、条件下性能稳定；自适应的目的，是根据不同的影响来源，自动地、有针对性地对系统进行调整，在使用中逐步提高性能。以下对影响系统性能的不同因素分别介绍解决办法。解决办法按针对语音特征的方法（以下称特征方法）和模型调整的方法（以下称模型方法）分为两类。前者需要寻找更好的、高鲁棒性的特征参数，或是在现有的特征参数基础上，加入一些特定的处理方法。后者是利用少量的自适应语料来修正或变换原有的说话人无关（SI）模型，从而使其成为说话人自适应（SA）模型。说话人自适应的特征方法有说话人规一化和说话人子空间法，模型方法有贝叶斯方法、变换法和模型合并法。语音系统中的噪声，包括环境噪声和录音过程加入的电子噪声。提高系统鲁棒性的特征方法包括语音增强和寻找对噪声干扰不敏感的特征，模型方法有并行模型组合PMC方法和在训练中人为加入噪声。信道畸变包括录音时话筒的距离、使用不同灵敏度的话筒、不同增益的前置放大和不同的滤波器设计等等。特征方法有从倒谱矢量中减去其长时平均值和RASTA滤波，模型方法有倒谱平移。 微软语音识别引擎 微软在office和vista中都应用了自己开发的语音识别引擎，微软语音识别引擎的使用是完全免费的，所以产生了许多基于微软语音识别引擎开发的语音识别应用软件，例如《语音游戏大师》《语音控制专家》《芝麻开门》等等软件。 语音识别系统的性能指标 语音识别系统的性能指标主要有四项。①词汇表范围：这是指机器能识别的单词或词组的范围，如不作任何限制，则可认为词汇表范围是无限的。②说话人限制：是仅能识别指定发话者的语音，还是对任何发话人的语音都能识别。③训练要求：使用前要不要训练，即是否让机器先“听”一下给定的语音，以及训练次数的多少。④正确识别率：平均正确识别的百分数，它与前面三个指标有关。小结以上介绍了实现语音识别系统的各个方面的技术。这些技术在实际使用中达到了较好的效果，但如何克服影响语音的各种因素还需要更深入地分析。目前听写机系统还不能完全实用化以取代键盘的输入，但识别技术的成熟同时推动了更高层次的语音理解技术的研究。由于英语与汉语有着不同的特点，针对英语提出的技术在汉语中如何使用也是一个重要的研究课题，而四声等汉语本身特有的问题也有待解决。
完整的写一篇论文步骤如下：
一、选题及题目
有了选题，就有了明确的写作方向和目标，才能集中精力地去写，提高研究的效率，防止在许多问题间做漫无目的的游移。确定了研究课题，就等于给自己下了任务，会产生相应的压力感、责任感和紧迫感。
选择的题目自己有一定的兴趣，新颖且有生活性更佳，最好大小适宜。太大没有研究的能力，太小写不了什么新东西。如果有一个题目自己感觉很合适，但太大了，可以就问题的某一个特殊角度加以论述。
二、构思主题与大纲
在写论文之前，作者就应该构思好主题和大纲，这样不但能使写作省时省力，更能使文章结构严谨、条理分明。
论文的主题就是论文需表达的主要观点，通俗来说就是这篇论文作者要写什么？论文主题一般离不开四个支持框架，即研究对象、研究目的、研究范围、研究方法这四个方面。
写作大纲就是为整篇论文操作指南，有了明确的大纲，不但能使写作省时省力，更能使文章结构严谨、条理分明。如果作者有了一个好的大纲，就可以把握论文写作的方向、理顺写作的思路、明晰问题、把握全局等，这有助于撰写好论文。
因此，如何构思主题及写作大纲，是论文写作时最基本、最重要的工作。
三、研究和选材
构思主题与完成大纲后就是去做各种研究收集数据和资料了，没有资料，是很难进行写作的。一篇论文的价值关键并不只在写作的技巧，也要注意研究工作本身。
依据所拟的大纲，尽量发掘支持自己的论点的资料，切忌离题。通过科学研究的实践证明，只有选择了有意义的研究资料和数据，才有可能收到较好的研究成果，写出较有价值的论文。
四、开始撰写
1、观点鲜明在写作过程中作者要做到观点正确鲜明、论证严密有力，语言简单扼要，才能让人诚服。最好要在小标题中体现出自己的观点，切忌把观点隐藏在正文中，要做到让作者看到了你的标题就能一眼看出你写了什么，要表达怎样的观点。
2、论据充分
论文，重在论证。论点一定要充分，可以引用名言，事例，用来论证，作为论据支持你的论点，但同时要有自己的观点，不能简单地堆砌论据。只有论据充分了，论文才会显得丰满，论点才能站得住脚。
3、创新点
论文的创新点就是你论文的闪光点，也是论文中最核心的地方。创新点是论文工作创新的一种归纳和要点，而不是编造的虚无的东西。提炼创新点时，除了要求强调新颖，还需要突出其意义或价值或重要性。创新点的优劣，从一定程度上也决定了作者的学术水平和论文质量，这也是吸引读者眼球的东西。
四、论文的修改与完善
文章不厌百回改。这是研究的一种态度。如今大多数人不愿意修改，也不愿意查证文献和材料。这显然缺乏对学术研究的认真和严谨性。
论文初稿完成后，诵读几遍，发现问题，然后修改。看看文章的总体结构是否合理，逻辑是否通顺，符号是否正确，论据是否紧扣主题，删繁就简，有些数据不一定适合于这一篇论文，可留作它用，不要硬行拼凑到一篇论文中。
论文发表的途径有两种，一种是自己投稿，一种是找代理机构。
自己投稿：如果并不是很着急的话，能自己投稿还是建议尽量自己投稿。优点：自己做比较放心，可以避免被中介坑，无良商在中间赚差价。缺点：审稿太慢，杂志社稿件多，容易石沉大海。一般的审稿期限是三个月，然后才能知道自己的文章是否被录用，这还不算出刊的时间，最后等作者本人拿到刊物，总时间差不多要半年左右才行。
关于方法可以在知网、万方、维普数据库，根据学科导航，找到适合自己文章方向的期刊，敲定期刊之后，有部分刊物是和数据库合作开通了投稿平台的，直接在数据库上投稿就可以直接联系到杂志社了。没有投稿平台的话，也会更新杂志社的电话和邮箱，致电询问或者邮箱投稿都可以。
代理机构：好处是期刊选择多，可以根据你的方向推荐刊物，而且靠谱渠道公司直接对接杂志社编辑，可以给予较快的反馈，不会盲目等待浪费时间。但发表行业鱼龙混杂，子猖獗，稍有不慎就会被坑，所以就需要多了解一些相关知识，有效避坑。
闭坑指南中的相关流程
第一坑：期刊的真伪方法：很多朋友不知道自己贴的期刊是真是假。
这里会有一个合作伙伴发送电子期刊或报纸，所以你必须在发布前检查它。只有能在期刊／期刊社一栏找到的期刊才是有效的、正规的。在其他列中不能再次使用它。
第二坑：随意查杂志，投稿发表：这基本上是死神的操作。
在官网上找不到，全是中介机构或者非法机构。能不能贴都是小事，小心论文版权，然后赔了夫人又折兵。
第三个坑：广告是天价坑。
基本上你在搜索任何信息的时候，这些内容都会排在最靠前的位置，学会忽略这些。
第四坑：核心期刊多。送一个需要核心的核心伙伴，建议自己投，因为期刊改革很少和选秀扯上关系。核心也是一个严重受灾地区，因为高周期。