破洛洛文章簡介：淺析手機語音交互設計.
語音識別技術，也被稱為自動語音識別，其目標是將人類的語音中的詞匯內容轉換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列。
語音識別技術作為輸入方式，比按鍵輸入和手勢輸入更為快捷，學習成本很低，對於非特定人連續語音識別系統的識別率達到98.73%，已經達到實用要求，具有廣闊的應用前景，在手機端的應用有語音撥號、語音輸入、語音命令、語音搜索和語音翻譯等。
語音的技術原理比較復雜，可以從語音交互的過程來理解：
1.開啟語音識別功能。一般由用戶手動點擊按鈕啟動，手機端暫時無法自動啟動，如由語音命令啟動或者根據音量高低判斷開始識別。
2.進入說話界面。程序界面會通過視覺體現音量的變化。
3.說話完畢，系統開始分析。結束輸入有兩種方式：一是自動關閉，通常時輸入單詞完畢之後自己的關閉，另一種是用戶手機手動關閉。系統處理過程可以分為以下幾個步驟：
a）前端處理。該模塊的主要任務是從輸入信號中去除噪音等影響結果的因素，提取特征，供聲學模型處理。信號處理之前會先進行斷點檢測，端點檢測是指在語音信號中將語音和非語音信號時段區分開來，准確地確定出語音信號的起始點。經過端點檢測後，後續處理就可以只對語音信號進行，這對提高模型的精確度和識別正確率有重要作用。語音增強的主要任務就是消除環境噪聲對語音的影響。目前通用的方法是采用維納濾波，該方法在噪聲較大的情況下效果好於其它濾波器。
b）聲學特征提取。聲學特征的提取既是一個信息大幅度壓縮的過程，也是一個信號解卷過程，目的是使模式劃分器能更好地劃分。如上傳音頻會利用到語音編碼解碼技術，可以減少音頻的文件大小、存儲空間或者傳輸比特率。
c）統計聲學模型。計算各個幀的聲學特征，如上下文建模。根據發聲機理，音之間只能漸變，前一音會影響後一音，從而使得後一個音的頻譜與其他條件下的頻譜產生差異，從而使模型能更准確地描述語音。
d）發音詞典。發音詞典包含系統所能處理的詞匯集及其發音，類似於拼音輸入法的詞庫。如輸入法，詞典更新熱詞和詞庫有組於提高匹配的准確率。
e）語言模型。語言模型對系統所針對的語言進行建模，如分析語音上下文。
由於音頻文件大小的限制，本地只能存儲少量的詞典，這也就要求復雜的語音需要連接服務器分析。谷歌語音搜索在用戶輸入完成之後才提示無法聯網，在啟動輸入之前就應該檢查網絡連接狀況。
4.系統分析完畢輸出結果。一種是根據結果自動顯示結果，如bing搜索，另外一種是提供選項供用戶選擇，這和輸出結果的概率高低有一定關系。用戶選擇的結果對於詞典的排序產生影響，增強語音的自適應和強健性，幫助形成個性化輸入。
根據產品可識別的詞匯量區分產品，對於特定語音命令，用戶只能輸入符合命令的詞匯，比如說出聯系人名字搜索。輸入法的詞匯更多，而語句搜索不但需要龐大的詞匯庫，處理連續的語音輸入需要區分連音和變音，還要求能根據上下文和熱詞輸出更為合理的結果。條件限制越少，語音識別的難度越大。因為一定程度上避免模糊音，詞典數據越少，輸入特定詞匯的准確率越高。
中文的語音輸入與英文不同，英文匹配不到詞典配置的詞就無法識別，中文詞匯由單字組成，中文可以根據單字識別。
io 5的輸入法已經加入語音功能，會逐步變為手機輸入的常規功能，最終輸出結果的准確率和操作流暢度是衡量其交互優劣的重要標准。