语音的识别对于人类来说是很自然的一个过程，但要让机器“听懂”却十分困难。一段音频文件，机器怎么才能知道它代表的是什么意思呢？语音识别要做的事，就是组CP：根据音频文件来判断对应的文本。当然，要让机器真正的“听懂”和“理解”，还涉及到很多其他的知识，语音识别只是其中一个环节。那么机器接收到左边这段语音之后，是怎么把它一口口吞下去，最后吐出来一个“two”呢？下图中，我们以最经典的基于GMM-HMM的语音识别框架为例，可以看到，经过数据准备、特征提取、训练、再到解码，就可以获取最终的结果。流程看完，是不是有人要问了：我知道你有道理，但是为什么有道理呢？我不想听你说理论，就想知道，你这每一个步骤用来干嘛的？下面我们举一个例子，形象化理解GMM和HMM怎么用到语音识别里面来，这流程的每一块到底都有什么作用。 假设有如下两段音频，“我爱你”和“我恨你”，波形为：我们首先要对音频文件进行特征提取，这里使用的特征是MFCC/Fbank。提取以后就变成下面这些类似扑克牌的方块，让我们跟着发音顺序来想象，这两段音频前面一部分的特征序列，代表的是“我”，中间是“爱/恨”，末尾是“你”。从图中也可以看到，这两部分音频提取特征后头尾部分的相似性很强（都是“我”和“你”）。对于机器来说，开始并不知道这两句话对应的具体文本是什么，于是我们使用GMM进行聚类，分成ABCD四类（当然我们从上帝视角知道，ABCD依次对应我，爱，恨，你）。再使用HMM对序列进行建模，得到A B D=“我爱你”，A C D=“我恨你”。二者结合，就能知道未知音频1是“我爱你”，音频2是“我恨你”。是不是看起来还没有那么难？ 当然实际的训练和解码比这个例子要复杂，每个音频语料都需要用HCLG进行处理，每个音素也要用多个状态来代表，并且需要多次迭代更新，这里先不细说。 好了，大概了解之后，我们来稍微具体地介绍一下各部分的概念。
