摘要：隨著信息化時(shí)代的快速到來以及計(jì)算機(jī)技術(shù)的不斷完善發(fā)展，語(yǔ)音識(shí)別在眾多領(lǐng)域都得到了應(yīng)用，同時(shí)語(yǔ)音識(shí)別有著廣闊的發(fā)展前景。當(dāng)下，在對(duì)語(yǔ)音識(shí)別的研究方面，研究人員大多以線性系統(tǒng)理論為基礎(chǔ)，采用隱馬爾可夫模型（HMM）、動(dòng)態(tài)時(shí)間規(guī)整（DTW）、矢量量化（VQ）等技術(shù)。隨著研究的深入，發(fā)現(xiàn)以線性系統(tǒng)理論為基礎(chǔ)的方法和語(yǔ)音的非線性過程特性不能很好的融合，采用非線性理論研究成為了語(yǔ)音識(shí)別的重要突破口。人工神經(jīng)網(wǎng)絡(luò)（ANN）等非線性理論成為了研究語(yǔ)音識(shí)別的熱點(diǎn)。采用Python語(yǔ)言進(jìn)行深度學(xué)習(xí)與語(yǔ)音識(shí)別相結(jié)合的方法進(jìn)行研究，希望能夠使語(yǔ)音識(shí)別在速度、準(zhǔn)確度等方面得到較好的效果。介紹了Python在深度學(xué)習(xí)語(yǔ)音識(shí)別中的使用。通過實(shí)驗(yàn)結(jié)果可以看出，DNN-HMM方法在準(zhǔn)確率方面比GMM-HMM方法有所提高。

　　語(yǔ)言的出現(xiàn)加快了人類發(fā)展的歷程，更好的拉近了人與人之間的距離。隨著計(jì)算機(jī)技術(shù)的發(fā)展，通過語(yǔ)音傳遞信息已經(jīng)不能僅僅局限于人與人之間，而是更多的延伸到了人與機(jī)器。怎樣才能使用語(yǔ)音完成人機(jī)交流，語(yǔ)音識(shí)別技術(shù)成為了完成這項(xiàng)任務(wù)的媒介。人通過語(yǔ)音向計(jì)算機(jī)發(fā)送指令，計(jì)算機(jī)則可以通過語(yǔ)音識(shí)別軟件將語(yǔ)音轉(zhuǎn)換為相應(yīng)的計(jì)算機(jī)指令并做出響應(yīng)，以達(dá)到人機(jī)交互的目的。當(dāng)下，語(yǔ)音 識(shí)別常用的方法主要包括：馬爾可夫模型（HMM）方法、動(dòng)態(tài)時(shí)間規(guī)整（DTW）方法、矢量量化（VQ）方法。本文研究一種融合語(yǔ)音識(shí)別與深度學(xué)習(xí)的語(yǔ)音識(shí)別方法，旨在提高語(yǔ)音識(shí)別效率。