此外，随着机器学习和数据发掘技术的发展，出现了基于数据驱动技术的文本分析方法。例如采用决策树或神经网络方法，从大量的数据中通过训练生成韵律模型。

　　(2)语音合成器

　　目前，最流行的语音合成器是采用基音同步的重叠相加(PSOLA)方法来实现波形拼接(这里指的基音或基频是语音韵律特征中的音高或声调的物理表现参数，基频曲线变化直接导致声调变化)。PSOLA算法的基本思想是以语音信号基音周期为分析对象，在基音同步基础上对信号声调和时长进行修改。

　　然而通过信号处理的方法调整韵律特性，终究会对音色有一定的损伤。即使是PSOLA算法，当韵律修正的范围变大时，音色也会有明显下降。基于“听感量化”波形拼接方法，其出发点就是语音合成时尽量减少动用合成器来调整韵律参数。由于“听感量化”单元从原始发音中直接截取，避免了用语音合成器调整参数时对音质的损害，保证了合成系统具有接近自然发音的音质，其自然度达到用户可接受的程度。

　　1.3　自然语言理解

　　与合成都离不开自然语言理解。语音识别中音/字转换和中字/音转换的正确率都取决于对语言理解的深度。从的应用看，系统有时不仅要正确识别用户的发音，而且要理解它，然后执行相应命令。此外，系统还需产生合适的回答，比如反问、反馈信息给用户。这就会涉及自然语言生成，这是语音合成的更高一级阶段，和自然语言理解更是密不可分。

　　随着Internet迅速扩张，自然语言理解的任务不仅是建立一种能够像人那样理解自然语言的计算模型，还需建立模拟人脑语言感知过程的理论模式。为使智能通信终端做到对口语和文字的理解，并及时响应，必须以语法与语义相结合，解决有关知识(特别是模糊知识)的表达与利用问题。自然语言理解在智能通信终端中的应用还包括：自然语言查询处理提供各种类型的相似性及或然性匹配，并返回按等级排列的检索结果；矫正利用语音识别自动生成的脚本中的错误；影像标题生成和摘要创建(如略览版的生成)等。

　　目前语音识别和语音合成采用统计的方法，即通过对大量的语料统计来实现自然语言理解的方法，如二/三元语言模型等非常实用，突破了传统分析方法对不受限语句的理解。

　　2　智能终端与语音门户

　　在当今飞速发展的信息社会，人们越来越希望可以通过移动电话等通信终端设备来实现快速便捷的交流，即通过移 动电话等通信终端设备接入网络，并操纵远程信息源得到信息或进行电子化交易。目前，采用拨号接入网络的过程耗时长，而语音接入仅需短短几秒，这无疑将大大提高接入速度。另外，这种语音技术不但令使用者无论在何时、何地，都可以利用手中的通信终端设备轻松接入网络，得到所需信息或购买商品及服务，还将大大提高商业自动化程度、降低企业的运营成本、改善服务质量、使商务活动更加便捷。
 
　　语音门户，是指基于互联网平台，应用语音识别、合成和转换技术，为固定和移动电话用户提供用语音访问互联网并获取网上信息的门户，是全球互联网发展的最新趋势之一。语音门户融合了语音、CTI、Web、电信、计算机及网络等技术，构筑出新一代语音上网平台，将使更多的用户能够通过各类通信终端快速接入互联网，为企业带来新的业务增长点。从技术角度看，随着自动语音识别(ASR)、文本转语音(TTS)、口语对话等人机交互技术、信息处理技术的发展，以及像语音浏览器、嵌入式语音浏览器等Voice Web技术的成熟，再加上移动用户终端种类与功能的快速增加，使语音门户在通信终端中的应用提供了可靠保证。

　　(1)分布式语音处理

　　①分布式语音识别在智能通信终端中，语音识别的首要目标是使用户不用敲击或远离键盘即可轻松访问大部分计算机服务和通信系统。分布语音识别 (DSR)技术采用客户机/服务器方法，整个处理过程分布于终端(如手机)和网络两端。终端执行语音特征参数提取任务，是语音识别系统的前端。提取的特征参数通过数据信道传输至远程的后端识别器。这样，传输信道不影响识别系统性能，信道不变性的目的得以实现。而目前基于因特网上的分布式语音识别是由呼叫中心发展而来，并已在基于包交换的VoIP网络进行了测试。