1. 模版比较法
- 计算距离
- 比较距离
2. 特征提取
红色框内为一帧信号，通常是20-50ms
- 微观上足够长：至少包含2-3个周期
- 宏观上足够长：在一个音素之内（例如：你好，包含了4个因素 ne yi he ao）
通过傅里叶变换得到频谱特征，其有精细结构和包络
- 精细结构反映音高，用处较小
- 包络（整体）反映音色，是主要信息
通过三角滤波得到包络信息，因为识别因素只需要音色信息。
最后通过log和DCT（离散余弦变换）得到MFCC序列（13个特征）来表征一帧信号。
通过滑动窗口，从而得到MFCC序列。
MFCC序列是最常用的特征
- 主要描述频谱包络
- 优点：排除音频，符合听觉，纬度低
- 缺点：视野小，受噪声、回声、滤波影响严重
改进
- 加入一阶、二阶差分
- 各种归一化
曾经有过其他改进特征，是上一个十年的研究热点，随着神经网络偃旗息鼓。
3. 计算特征序列距离
“Dynamic Time Warping算法”（动态弯算法）
DTW可以计算两个时间序列的相似度，尤其适用于不同长度、不同节奏的时间序列（比如不同的人读同一个词的音频序列）。
DTW将自动warping扭曲 时间序列（即在时间轴上进行局部的缩放），使得两个序列的形态尽可能的一致，得到最大可能的相似度。
DTW采用了动态规划DP（dynamic programming）的方法来进行时间规整的计算，可以说，动态规划方法在时间规整问题上的应用就是DTW。
下面测试程序显示了 6组时间序列 的DTW结果，左上和右下的两组相似度较高，其DTW计算的距离（Warping Distance）也确实比较小。
4. GMM高斯混合模型
如果有一个语音模版可以用DTW来计算距离即可，若有多个模版，则需用到GMM技术。
模版切分为多个段落，可以选择某一模版做一基准模版，利用DTW算法进行对齐并进行分段。
每个段可以用GMM对特征向量的分布进行拟合，对任一特征向量都可以计算出概率密度。
对齐时不是计算距离，而是计算属于某一段的概率密度。
5. HMM 隐马尔科夫模型
模型特点：
隐：特征序列由隐状态产生，对齐方式未知。
马尔科夫：转移概率与观测概率只由当前状态决定。推论：状态持续时间服从指数分布（无记忆分部）。
HMM三大问题：
1.求值给定模型参数和语音求。利用动态规划算法：Forward algorithm计算
2.解码
给定模型参数和语音，求解最佳对齐方式。采用Viterbi decoding，最佳对齐方式的概率，可以作为总概率的近似。
3.训练
给定语音和模型结构，求解模型参数。EM训练：，
。
语音识别基本方程：
是识别结果
是人一单词
是待识别语音信号
声学模型（GMM+HMM）
是单词的先验概率
