通常語音識別有兩種工作模式，喚醒模式和識別模式。所謂喚醒模式，即應(yīng)用處于待喚醒狀態(tài)，此種狀態(tài)引擎會一直在后臺錄音，用于判別是否有【喚醒詞】，如果識別到喚醒詞，即轉(zhuǎn)為識別模式。所謂識別模式，是指我們說出的語音被轉(zhuǎn)為文字以及帶有特定格式的一段數(shù)據(jù)，即對于所識別到的語音進行結(jié)構(gòu)化處理。處理后通常會以json的形式提供給外部應(yīng)用進行再次解析處理，用于滿足應(yīng)用自身功能。

比如一些支持語音功能的智能家居，首先把應(yīng)用喚醒（比如，小愛同學(xué)），然后說指令（比如，開空調(diào)）。語音識別引擎識別出語義，把結(jié)果（json數(shù)據(jù)）給到APP，APP把結(jié)構(gòu)化的語義進行分類處理。再比如，如果想查詢天氣，語音說“明天天氣如何”。識別引擎會根據(jù)位置信息，聯(lián)網(wǎng)檢索相關(guān)天氣信息提供給APP。