我国在离散单词、简单口令的语音识别方面已经取得不少进展。中国科学院声学研究所于50年代后期就研制出汉语单元音识别装置。60年代对汉语的清晰度进行过系统的实验,取得了基本数据。70年代末、80年代初采用模式匹配的方法,事先存入发话人的语音作成标准模式,计算机可识别该特定说话者的几十条口令,内容包括数字、算术四则运算符号及一些操作指令。1980年,清华大学计算机系采用模式匹配法研制成我国30个大城市的地名识别系统,只要进行口呼地名输入,计算机就可以显示汉字。他们还于1984年建成“800台电话声控查号系统”,用于清华大学校内电话查号,已经投入使用。用户查询电话时,需由话务员复述单位名称,并由话务员通过自己的语音把单位名称报给计算机,计算机屏幕上就显示出该单位的电话号码,并可通过语音合成装置将号码自动地报给用户。1986年,清华大学计算机系在长城O52OC一H国产微型机的汉字编码输入的基础上,增加了汉字语音输入方式,他们研制的汉字语音输入系统具有约1000个汉字的字表,在这个字表内的字以及由这些字组成的词。都可以通过语音输入到计算机中去,操作者无须经过专门训练,只要预先念一遍字词,让计算机熟悉其口音就行了,语音识别的正确率为90%。字表的内容还可以根据使用领域任意确定.中国科学院声学研究所研制出“汉语孤立字全音节实时识别系统”,该系统可识别1300个汉语全音节,分为四声识别、辅音粗识别和音节细识别三个层次。四声识别的正确率达到99.4%。辅音粗识别主要用来提取辅音强频区的分布、清辅音的氏度、声母与韵母的时长比等辅音的音征,根据音征从全部辅音中选出候选声母,起到粗分类的作用。在粗分类之后进行音节识别,只限定识别包含上述6个候选声母的那些音节。这样做既可以节约匹配时间,又可提高识别的正确率。该系统在1988年西欧高技术展览会(TEC-88)上获得国际大奖,在此基础上,已制成语音打字机。清华大学研制了“大词汇量汉语语音识别系统”,该系统采用分段矢量量化和分段概率模型,没有专门分割声母和韵母的步骤。但在建立矢量码本时以及在识别策略上,都考虑了二者的区别。该系统采取了两级匹配的策略,先是计算音节匹配的概率,继而计算词组匹配的概率,系统中建有单音节字表、双音节至四音节词表,可以直接口呼词进行识别,识别精度高,响应速度快。中国科学院自动化研究所研制了“汉语大词汇量语音识别与口呼文本输入系统”,以声韵调为基元来进行语音识别,识别时采用了隐马尔可夫模型及人工神经网络方法。 

　　我国在非特定说话者语音识别方面也取得了进展。清华大学研制成功非特定说话者中词汇量语音识别系统。非特定说话者的语音识别难度很高,识别时要强调众多说话者的语音共同参数,采用类聚和模糊处理使其具有一般性,并要解决语音多变性和语流速度变异问题,采用更为有效的时间规正技术。采用这样的语音识别系统,使用者不必经过训练,在400多个词汇的范围内,有很高的识别率。另外,清华大学还研制成基于神经网络方法的非特定说话者小词汇量语音识别系统。以30个军事用语作试验,使用者不必经过训练,识别正确率接近100%。北京四达技术开发中心和哈尔滨工业大学合作,研制了汉语语音识别系统“四达863A”。该系统以单音节作为语音识别的基本单元,选择398个无声调单音节作为语音识别的基本内容,这398个单音节包含了国家标准一、二级汉字库中所有汉字的语音。用户在初次使用该系统时需要作短暂的训练,因此,该系统是认人的。该系统还把语音识别技术与拼音汉字简单转换技术结合起来,使用者只需朗读所要输入的汉字,属于同一音节的若干个汉字由拼音一汉字转换程序来确定是哪一个汉字。“四达863A”系统的一次识别正确率超过93%,系统的响应时间小于0.1秒,四个声调的识别正确率为99%,每分钟可口呼输入80个汉字。 

　　IBM公司最近推出的Via Voice汉语语音识别系统, 已经达到实用水平。 

　　(本文摘自冯志伟(2001)“汉字和汉语的计算机处理”)