语音识别技术的目标就是将人类语音中的词汇内容转换为计算机可读的输入。语音识别技术的原理就是让机器通过识别，把语音信号转变为文本，然后将理解转变为指令的技术。目的就是为了使机器能够“听懂”人在说什么，并作出相应的反应。语音识别系统由声学识别模型和语言理解模型两部分组成，分别是对语音到音节和音节到字的计算。一个连续语音识别系统包含了特征提取、声学模型、语言模型和解码器这四个主要部分。
特征提取是指在除去语音信号中对于语音识别无用的信息后，保留能够反映语音本质特征的关键信息，对其进行处理，再用特定的形式表示出来，用于后续的进一步处理。
声学模型可以理解为是对声音进行建模，把语音输入转换为声学表示的输出。
语言模型是用来计算出一个句子出现概率的模型，简单来说，就是计算出这个句子在语法上是否正确的概率。
解码器就是指语音技术中的识别过程。
语音识别的本质就是一种模式识别的过程，将未知的语音模式与已知的语音模式进行对比，最佳匹配的参考模式就被视为识别结果。
语音识别是模式识别的一个分支，又从属于信号处理科学领域，同时与语音学、语言学、数理统计及神经生物学等学科有非常密切的关系。语音识别的目的就是让机器“听懂”人类口述的语言，包括了两方面的含义：其一是逐字逐句听懂非转化成书面语言文字;其二是对口述语言中所包含的要求或询问加以理解，做出正确响应，而不拘泥于所有词的正确转换。
自动语音识别技术有三个基本原理：首先语音信号中的语言信息是按照短时幅度谱的时间变化模式来编码;其次语音是可以阅读的，即它的声学信号可以在不考虑说话人试图传达的信息内容的情况下用数十个具有区别性的、离散的符号来表示;第三语音交互是一个认知过程，因而不能与语言的语法、语义和语用结构割裂开来。
语音识别是怎么工作的呢?实际上一点都不神秘，无非是：
第一步，把帧识别成状态(难点)。
第二步，把状态组合成音素。
第三步，把音素组合成单词。
解决这个问题的常用方法就是使用隐马尔可夫模型(Hidden Markov Model，HMM)。这东西听起来好像很高深的样子，实际上用起来很简单：
第一步，构建一个状态网络。
第二步，从状态网络中寻找与声音最匹配的路径。
这样就把结果限制在预先设定的网络中，避免了刚才说到的问题，当然也带来一个局限，比如你设定的网络里只包含了“今天晴天”和“今天下雨”两个句子的状态路径，那么不管说些什么，识别出的结果必然是这两个句子中的一句。
那如果想识别任意文本呢?把这个网络搭得足够大，包含任意文本的路径就可以了。但这个网络越大，想要达到比较好的识别准确率就越难。所以要根据实际任务的需求，合理选择网络大小和结构。
搭建状态网络，是由单词级网络展开成音素网络，再展开成状态网络。语音识别过程其实就是在状态网络中搜索一条最佳路径，语音对应这条路径的概率最大，这称之为“解码”。路径搜索的算法是一种动态规划剪枝的算法，称之为Viterbi算法，用于寻找全局最优路径。
一般来说，一套完整的语音识别系统其工作过程分为7步：
①对语音信号进行分析和处理，除去冗余信息。
②提取影响语音识别的关键信息和表达语言含义的特征信息。
③紧扣特征信息，用最小单元识别字词。
④按照不同语言的各自语法，依照先后次序识别字词。
⑤把前后意思当作辅助识别条件，有利于分析和识别。
⑥按照语义分析，给关键信息划分段落，取出所识别出的字词并连接起来，同时根据语句意思调整句子构成。
⑦结合语义，仔细分析上下文的相互联系，对当前正在处理的语句进行适当修正。
语音识别技术，目标是将人类的语音中的词汇内容转换为计算机可读的输入。工作原理：动态时间伸缩方法使用瞬间的、变动倒频通过交换字母顺序，用一个含义广泛的词汇定义了一个新的信号处理技术，倒频谱的计算通常使用快速傅立叶变换。运用隐马尔可夫模型的方法，频谱特征的统计变差得以测量。文本无关语音识别方法的例子有平均频谱法、矢量量化法和多变量自回归法。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。