国内智能语音行业分析报告( 七 )_：国内智能语音行业分析报告伴随着人工

至此，声音就成了一个12行（假设声学特征是12维）、N列的一个矩阵，称之为观察序列，这里N为总帧数。观察序列如下图所示，图中，每一帧都用一个12维的向量表示，色块的颜色深浅表示向量值的大小。

再次，就是讲声音向量矩阵变成文本了，在这之前，有两个概念需要给大家先介绍下：

音素：单词的发音由音素构成。对英语，一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集，而汉语一般直接用全部声母和韵母作为音素集，另外汉语识别还分有调无调。状态：比音素更细致的语音单位就行啦。通常把一个音素划分成3个状态。了解了概念之后，我们就看一下语音识别是怎么把声音变成文本的，其实就和我们把大象塞进冰箱一样，也是分为三步：

把帧识别成状态（难点）；把状态组合成音素；把音素组合成单词。如下图所示：