特征提取在语音识别中起到了关键作用。语音识别是将语音信号转化为文本形式的过程，而特征提取就是从语音信号中选取能够表征语音特性的特征向量。这些特征向量将用于构建模型，通过与已知语音信号的对比来进行模式匹配从而实现语音识别。

  在语音识别中，常用的特征提取方法包括：

  1. 短时能量：表示语音信号在短时间内的能量大小，用于检测语音的存在与否。

  2. 短时过零率：表示语音信号在短时间内过零点的次数，用于检测语音的边界。

  3. 梅尔频率倒谱系数（MFCC）：通过对语音信号的频谱进行离散余弦变换，然后再将频域上的能量按照梅尔刻度进行滤波，最后再进行离散余弦逆变换，得到一系列梅尔频率倒谱系数。MFCC是目前应用最广泛的语音特征之一。

  4. 线性预测系数（LPC）：利用线性预测方法对语音信号进行建模，得到一系列线性预测系数。

  5. 倒频谱/倒谱包络（LPCC/CELP）：通过对语音信号的频谱进行离散余弦变换，再将频域上的能量进行对数运算，最后进行离散余弦逆变换，得到一系列倒频谱或倒谱包络。

  这些特征提取方法可以提取语音信号中的关键信息，例如语音的音调、音频特征、声道信息等。这些特征向量将传递给语音识别模型，如隐马尔可夫模型（HMM）或循环神经网络（RNN）等，用于训练和识别语音信号，从而实现语音信号的转录和识别。特征提取在语音识别中起到了至关重要的作用，能够提高识别准确度和性能。