本章为构建和理解先进的语音识别与合成系统提供必要准备。我们首先研究除标准MFCCs以外的音频特征提取技术，并考虑学习到的表示和滤波器组。在此之后，我们将回顾核心的统计建模思路，以及专为序列数据设计的深度学习 (deep learning)架构，包括RNNs、LSTMs和Transformer，并分析它们在语音处理中的应用。随后，我们将剖析构成现代ASR和TTS流程的各个组成部分，详细阐述它们各自的功能和彼此的配合。最后，我们将完善对评估指标的认识，不限于基本的WER和MOS，为评估本课程后续介绍的复杂模型性能做好准备。