針對聲韻母相同但聲調不同的近音字識別問題和聲韻母及聲調都相同的同音字識別問題，提出在語音模型和語言模型中分別引入聲調和字轉移概率，以提高近音字和同音字的識別率。首先將聲調劃分為 5 種表現形式添加到漢語音節的最后一個音素中構成新音素，使用高斯混合隱馬爾科夫模型建模新音素。然后通過統計方法計算特定語境下的字間轉移概率。最后使用 HTK 工具包實現了帶聲調的語音模型和有字轉移概率的語言模型。實驗結果證明添加聲調可以提高近音字的識別率，使用特定語境下字間轉移概率可以提高同音字的識別率。

　　語言是人類溝通的重要工具，語音識別是人工智能研究的重要領域。20 世紀 50 年代，貝爾實驗室設計了第一個語音識別系統，實現了對孤立數字的語音識別［1］。20 世紀 60 年代，提出了時間歸一化打分機制、音素動態跟蹤技術和動態規劃算法，有效地解決了語音信號的特征提取和不等長語音匹配問題［2］。20 世紀 70 年代，模式識別思想、線性預測編碼等技術被應用于語音識別中，識別對象從孤立詞轉移到連續語音［3］。20 世紀 90 年代及以后，隱馬爾科夫模型（hidden markov modol， HMM）、高 斯 混 合 模 型（gaussian mixed model， GMM）被提出［4］，基于 GMM-HMM 的語音識別框架得到廣泛使用和研究，文獻［5］通過改進語音特征參數相鄰幀的相關性，進一步提高 GMM-HMM 的準確度；文獻［6-7］使用 GMM-HMM 識別了連續語音的聲調。目前，深度學習技術也被應用于語音處理系統［8-11］，由于它對訓練數據和硬件資源有著極高的要求，限制了其使用范圍。現代漢語是一種有聲調的特殊語音，音素和聲調組合可以構成無數個多音字和同音字的發音。一方面，同一個漢字在不同的聲調下代表不同的意義，另一方面，相同的讀音可能代表完全不同的漢字，因此，與印歐語系的語言相比，聲調和上下文信息對漢語語音的識別具有更重要的作用［12］。本文在語音模型中添加聲調，并使用字轉移概率捕獲上下文信息，修改 HTK［13］工具包以適應漢語語音識別問題，實驗結果證明了聲調對近音字識別的重要性，同時字轉移概率的引入能有效提高同音字識別的準確率。