中科信利连续语音识别引擎，针对连续音频流（即来自说话人直接录入的语音，或者电话或其他音视频领域的音频信号）进行识别，将音频信息自动转化成文字。覆盖汉语中绝大多数词语，适用于说普通话的任何人群。输出的结果都是汉字，兼容数字。

　　在输入的声音中，检测出可靠的语音，排除静音、背景噪声、音乐等，判断男女，实时送入语音识别解码器进行识别。

　　识别引擎把音视频中提取出的语音分成25毫秒一帧，提取有用特征，然后识别出一些类似拼音的结果（声学模型），再根据汉语字词句之间的搭配概率（语言模型），综合考虑。当然，考虑的越多（beam路径越大），识别准确率相对提高，同时消耗的时间就增长了；所以我们有优化策略，及时排除不可能的结果，避免系统过慢。用户可以通过调节这些参数来平衡识别质量和速度，以满足实际的需要。

　　最后返回的识别结果，软件以汉语中基本词语为单位给出了多种可能（1到十几种）以及可能性大小供用户参考选择。

　　需要说明的是，对识别正确率以及识别速度来说，输入语音（普通话）的质量（采音过程）是很重要的。采音时应尽可能的排除噪声和音乐、增大语音，识别效果就会好得多，因此建议用户在采音的时候选用质量较好的麦克风。

　　另外，系统在检测是否有语音信号时可能会带来一定的时间滞后，用户在实时录入时在每句话结束后，需要略有停顿，这样可以提高系统语音检测的速度和精度。语音检测的越好，识别引擎的识别效果会越好。

　　下图给出了连续语音识别引擎的基本架构图：

图1.语音识别引擎架构图

　　如图1所示，首先对输入的音频数据进行自动分类，过滤掉彩铃、振铃、传真、音乐以及其他噪音，保留有效用户语音数据，然后进行自动分段和端点检测，获取逐句的有效语音数据，然后将其送入特征提取和处理模块，接着对于提取的声学特征进行解码，解码过程利用发音字典、声学模型、语言模型等信息构建WFST搜索空间，在搜索空间内寻找匹配概率最大的最优路径，得到识别结果。后续可采用重估模块，增加其他知识源，进一步提升语音识别系统性能。

　　采用两遍的维纳滤波技术消除背景噪声；采用垃圾语音混合高斯建模的方法去除垃圾语音（笑声、咳嗽声等非自然人语音）；采用谐波检测技术检测语音起始点。

　　从人的听觉感知及发音机理等现有基础研究成果出发，分析提取具备抗噪性、鉴别性、互补性的特征参数。

　　采用PLP/CMN/HLDA/VTLN/高斯化等稳健性特征提取和处理技术，减少信道影响，进一步提高特征的区分性。

　　采用基于深度神经网络DNN的声学建模技术，采用业界领先的鉴别性模型训练算法，大幅度提升语音识别系统性能。在训练数据、特征提取等方面都充分考虑了自然环境噪声的干扰，并且采用多条件的训练策略，能够显着提高对于噪声的稳健性。采用大量实网语音的训练数据库，适应用户自然口语发音特点和地方口音特点。

　　充分利用网上业务语料，采用高阶文法的统计语言模型技术。

　　积累了大量的分类文本语料（1T左右），使得语言模型能够很好地覆盖各个领域。同时对语言模型存取速度进行了大幅度优化以满足实用需求。

　　采用基于WFST的Cross-word静态搜索空间构建方法，有效地单遍集成各种知识源，将声学模型、声学上下文、发音词典、语言模型等静态编译成状态网络，通过充分的前向后向归并算法优化网络。在识别率相当的情况下，比WFST开源工具包解码速度快5倍以上。

　　采用模型自学习技术，基于实网语音数据进行声学模型和语言模型的自适应，适应于多种地区的用户口音。

　　中科信利连续语音识别引擎API提供两种应用模式：

　　一种是在线实时录音，检测语音并进行识别。这种方法适合用于需要实时获得讲话内容的场合。目前可以在各类会议讨论中进行开发使用。

　　另一种是离线读入录音文件进行识别，可以充分的利用聚类、实时自适应等技术，把语音的内容充分分析，进一步提高识别准确度。这种模式适用于希望取得精确文本内容，而对时间要求不高的应用。

　　能够自动将连续语音的内容转成文字，支持在线语音流识别或离线语音数据识别。

　　可以实时对语音分段，判别类型，可自动分辨和过滤背景音乐、噪声等非表义音频段，对语音分男女进行识别。

　　识别结果除了文字外，还可同时给出时间索引信息（精确到每个字），有利于进行多媒体信息检索；多候选信息为人工校对提供方便。

　　能够达到较高的识别准确率

　　引擎准确率性能：

　　引擎速度性能：

　　支持说话人口音自适应(声学自适应)和领域语料自适应(语言自适应)

　　核心算法支持海量并行处理，多线程

　　核心算法与语种无关，即系统语种可移植，支持汉语普通话、粤语和英语等语言的识别

　　引擎提供标准C接口，可供C/C++及各种语言的开发者直接调用。

　　能够提供方便灵活的开发接口，多项参数可调，使用户可以方便灵活地进行应用开发。

　　PC/工作站/服务器：

　　PC/工作站/服务器：WINXP/Win7/WinServer2008等操作系统，或Linux操作系统

　　在智能客服语音导航、客服录音质量检测、录音文本自动语音录入、Internet信息检索、多媒体信息检索、广电监控系统等领域具有相当广泛的用途。