簡要給大家介紹一下語音怎麼變文字的吧。
首先說一下作爲輸入的時域波形。我們知道聲音實際上是一種波。常見的mp3、wmv等格式都是壓縮格式，必須轉成非壓縮的純波形文件，比如Windows PCM文件，即wav文件來處理。wav文件裏存儲的除了一個文件頭以外，就是聲音波形的一個個點了。採樣率越大，每毫秒語音中包含的點的個數就越多。另外聲音有單通道雙通道之分，還有四通道的等等。對語音識別任務來說，單通道就足夠了，多了浪費，因此一般要把聲音轉成單通道的來處理。下圖是一個波形的示例。
另外，通常還需要做個VAD處理，也就是把首尾端的靜音切除，降低對後續步驟造成的干擾，這需要用到信號處理的一些技術。
時域的波形必須要分幀，也就是把波形切開成一小段一小段，每小段稱爲一幀。分幀操作通常使用移動窗函數來實現，分幀之前還要做一些預加重等操作，這裏不詳述。幀與幀之間是有交疊的，就像下圖這樣：
圖中，每幀的長度爲25毫秒，每兩幀之間有25-10=15毫秒的交疊。我們稱爲以幀長25ms、幀移10ms分幀。
分幀後，語音就變成了很多小段。但波形在時域上幾乎沒有描述能力，因此必須將波形作變換。常見的一種變換方法是提取MFCC特徵，把每一幀波形變成一個12維向量。這12個點是根據人耳的生理特性提取的，可以理解爲這12個點包含了這幀語音的內容信息。這個過程叫做聲學特徵提取。實際應用中，這一步有很多細節，比如差分、均值方差規整、高斯化、降維去冗餘等，聲學特徵也不止有MFCC這一種，具體就不詳述了。
至此，聲音就成了一個12行（假設聲學特徵是12維）、N列的一個矩陣，稱之爲觀察序列，這裏N爲總幀數。觀察序列如下圖所示，圖中，每一幀都用一個12維的向量表示，色塊的顏色深淺表示向量值的大小。
接下來就要介紹怎樣把這個矩陣變成文本了。首先要介紹三個概念：
- 單詞：英語中就是單詞，漢語中是漢字。
- 音素：單詞的發音由音素構成。對英語，一種常用的音素集是卡內基梅隆大學的一套由39個音素構成的音素集，參見The CMU Pronouncing Dictionary。漢語一般直接用全部聲母和韻母作爲音素集，另外漢語識別還分有調無調，不詳述。
- 狀態：比音素更細緻的語音單位。通常一個音素由3個狀態構成。
語音識別是怎麼工作的呢？實際上一點都不神祕，無非是：
第一步，把幀識別成狀態（難點）。
第二步，把狀態組合成音素。
第三步，把音素組合成單詞。
如下圖所示：
圖中，每個小豎條代表一幀，若干幀語音對應一個狀態，每三個狀態組合成一個音素，若干個音素組合成一個單詞。也就是說，只要知道每幀語音對應哪個狀態了，語音識別的結果也就出來了。
那每幀音素對應哪個狀態呢？有個容易想到的辦法，看某幀對應哪個狀態的概率最大，那這幀就屬於哪個狀態，這叫做“最大似然”。比如下面的示意圖，這幀對應S3狀態的概率最大，因此就讓這幀屬於S3狀態。
那這些用到的概率從哪裏讀取呢？有個叫“聲學模型”的東西，裏面存了一大堆參數，通過這些參數，就可以知道幀和狀態對應的概率。聲學模型是使用巨大數量的語音數據訓練出來的，訓練的方法比較繁瑣，這裏不講。
但這樣做有一個問題：每一幀都會得到一個狀態號，最後整個語音就會得到一堆亂七八糟的狀態號，相鄰兩幀間的狀態號基本都不相同。假設語音有1000幀，每幀對應1個狀態，每3個狀態組合成一個音素，那麼大概會組合成300個音素，但這段語音其實根本沒有這麼多音素。如果真這麼做，得到的狀態號可能根本無法組合成音素。實際上，相鄰幀的狀態應該大多數都是相同的才合理，因爲每幀很短。
解決這個問題的常用方法就是使用隱馬爾可夫模型（Hidden Markov Model，HMM）。這東西聽起來好像很高深的樣子，實際上很簡單，無非是：
第一步，構建一個狀態網絡。
第二步，從狀態網絡中尋找與聲音最匹配的路徑。
這樣就把結果限制在預先設定的網絡中，避免了剛纔說到的問題，當然也帶來一個侷限，比如你設定的網絡裏只包含了“今天晴天”和“今天下雨”兩個句子的狀態路徑，那麼不管說些什麼，識別出的結果必然是這兩個句子中的一句。
具體是這樣的，首先構造單詞級網絡，然後展開成音素網絡，然後展開成狀態網絡。然後在狀態網絡中搜索一條最佳路徑，這條路徑和語音之間的概率（稱之爲累積概率）最大。搜索的算法是一種動態規劃剪枝的算法，稱之爲Viterbi算法，用於尋找全局最優路徑。感興趣的同學可以到Wikipedia上搜一下。
這裏所說的累積概率，由三部分構成，分別是：
- 觀察概率：每幀和每個狀態對應的概率
- 轉移概率：每個狀態轉移到自身或轉移到下個狀態的概率
- 語言概率：根據語言統計規律得到的概率
其中，前兩種概率從聲學模型中獲取，最後一種概率從語言模型中獲取。語言模型是使用大量的文本訓練出來的，存儲的是任意單詞、任意兩個單詞、任意三個單詞（通常也就到三個單詞）在大量文本中的出現機率。
這樣基本上語音識別過程就完成了。
以上介紹的是傳統的基於HMM的語音識別。以上的文字不追求嚴謹，只是想讓大家容易理解。
如果感興趣，想進一步瞭解，HTK Book是非常好的入門書，這本書實際上是劍橋大學發佈的著名開源工具包HTK Speech Recognition Toolkit 的說明書，近400頁，厚厚的一本。如果有時間、有興趣，可以照着書中的第二章在電腦上做一遍，你將搭建出一個簡單但基本完整的語音識別系統，能識別簡單的英語數字串。