语音识别是人工智能语音交互赛道的核心技术之一，核心任务是将人类语音中的语义内容转化为可读的文本信息，目前主流的语音识别方法包括早期的模板匹配法（如动态时间规整DTW）、统计建模法（如隐马尔可夫模型HMM），以及当下广泛应用的深度学习方法（如卷积神经网络CNN、循环神经网络RNN、端到端Transformer模型等）。不少用户容易把相关语音领域技术都归为语音识别方法，实际上以下几类技术均不属于语音识别方法的范畴：
首先，语音识别方法不包括语音合成（TTS）技术。语音合成与语音识别是完全逆向的两类技术，前者的任务是将文本信息转化为自然语音输出，属于语音生成类技术，二者是语音交互链路中完全独立的两个方向，不存在包含关系。
其次，语音识别方法不包括说话人识别（声纹识别）技术。说话人识别的核心目标是挖掘语音信号中的身份特征，实现说话人身份的核验与判定，并不关注语音承载的文本内容，和语音识别的任务目标存在本质差异，属于生物特征识别的细分领域。
第三，语音识别方法不包括自然语言理解类算法。语音识别的输出结果仅为对应语音的文本内容，在此之后开展的意图识别、情感分析、实体抽取、语义纠错等处理，都属于自然语言处理技术范畴，是语音识别下游的独立环节，并不属于语音识别方法本身。
第四，语音识别方法不包括纯音效优化类音频处理技术。为提升音频听感开展的混音、均衡调节、音频编码压缩、通用降噪算法等通用音频信号处理技术，核心目标是优化音频的存储或播放效果，并不以提取语音文本内容为目标，因此也不属于语音识别方法。
除此之外，机器翻译、语音内容审核等跨领域技术，即便和语音识别结合形成组合应用，本身也不属于语音识别方法的范畴。厘清语音识别方法的边界，能够帮助我们更清晰地区分不同技术的应用场景，避免概念混淆，更好地在实际业务中匹配对应的技术能力。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。