说起语音识别技术，它的核心实现方式主要可以归纳为三类。每一种路径，都在解决同一个根本问题：如何让机器听懂我们千变万化的语音。
第一类是基于模型匹配的方法，典型代表有矢量量化（VQ）和动态时间规整（DTW）。这里的关键在于处理“时间不一致”的麻烦。你想，就算是同一个人说同一个词，在不同情绪和环境下的语速、节奏都会有微妙差别，导致信号长度不一。因此，“时间规整”就成了一个绕不开的技术环节，目的就是把长短不一的语音信号对齐到标准模板上再作比较。
第二类是基于概率统计的方法，像高斯混合模型(GMM)、隐马尔科夫模型(HMM)就是其中的佼佼者。这套方法的思路很巧妙：它不追求精确匹配，而是把语音信号看作一个随机过程，通过统计模型来计算某段语音对应某个词或音素的概率有多大。这就好比不是找一模一样的脚印，而是判断哪个脚印序列出现的可能性最高。
第三类则是基于辨别器分类的方法，阵营相当强大，包括支持向量机(SVM)、人工神经网络(ANN)以及现在主流的深度神经网络（DNN）等，当然也少不了各种组合技。值得一提的是SVM，从理论上看，它的学习过程可以看作一个清晰的寻优问题，其优势在于能有效规避神经网络中常见的局部最优陷阱，从而找到全局最优的解。
