语音识别与图像识别的区别：
1)语音识别分很多种：命令识别，离散/连续语音识别，特定人/非特定人+离散/连续+语音识别
2)命令、离散识别，有些方法 跟 图像识别 还有些像，连续语音识别差得就很多了
连续语音识别常用识别方法：
GMM/DNN/CNN+HMM，HMM用来处理时间维度上的关系，GMM/DNN/CNN用来做声学建模，解码还需要用到语言模型(Language
Model);非特定人，跟transfer learning还有点关系。
总之：语音识别要比图像识别复杂得多，图像识别的基本套路就是“特征提取+训练分类器(神经网络把这俩统一了)”，语音识别还需要处理时间维度上信息的变化
