摘要：隨著信息化時代的快速到來以及計(jì)算機(jī)技術(shù)的不斷完善發(fā)展，語音識別在眾多領(lǐng)域都得到了應(yīng)用，同時語音識別有著廣闊的發(fā)展前景。當(dāng)下，在對語音識別的研究方面，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）、動態(tài)時間規(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音識別的重要突破口。人工神經(jīng)網(wǎng)絡(luò)（ANN）等非線性理論成為了研究語音識別的熱點(diǎn)。采用Python語言進(jìn)行深度學(xué)習(xí)與語音識別相結(jié)合的方法進(jìn)行研究，希望能夠使語音識別在速度、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)語音識別中的使用。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。怎樣才能使用語音完成人機(jī)交流，語音識別技術(shù)成為了完成這項(xiàng)任務(wù)的媒介。人通過語音向計(jì)算機(jī)發(fā)送指令，計(jì)算機(jī)則可以通過語音識別軟件將語音轉(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，語音 識別常用的方法主要包括：馬爾可夫模型（HMM）方法、動態(tài)時間規(guī)整（DTW）方法、矢量量化（VQ）方法。本文研究一種融合語音識別與深度學(xué)習(xí)的語音識別方法，旨在提高語音識別效率。