导读：语音识别是一门综合性学科，涉及的领域非常广泛，包括声学、语音学、语言学、信 处理、概率统计、信息论、模式识别和深度学习等。语音识别的基础理论包括语音的产生和感知过程、语音信 基础知识、语音特征提取等，关键技术包括高斯混合模型 ( Gaussian Mixture Model，GMM )、隐马尔可夫模型 ( Hidden Markov Model，HMM )、深度神经 络 ( Deep Neural Network，DNN )，以及基于这些模型形成的GMM-HMM、DNN-HMM和端到端 ( End-to-End，E2E ) 系统。语言模型和解码器也非常关键，直接影响语音识别实际应用的效果。

为了让大家更好地理解语音信 的特性，接下来我们首先介绍语音的产生和感知机制。

01

语音的产生和感知

如图1-1所示，人的发音器官包括：肺、气管、声带、喉、咽、鼻腔、口腔和唇。肺部产生的气流冲击声带，产生振动。声带每开启和闭合一次的时间是一个基音周期 ( Pitch period ) T，其倒数为基音频率 ( F0=1/T，基频 )，范围在70Hz~450Hz。基频越高，声音越尖细，如小孩的声音比大人尖，就是因为其基频更高。基频随时间的变化，也反映声调的变化。