通过词典（lexicon）和语言模型（language model）来解决。本质上是把多音字的每个读音（以及它们所组成的每个词）当成不同的词。

例如，「行」字有 háng、xíng 两种读音，都可以单独成词，也可以组成「银行」「行列」「进行」等词。那么，词典的内容就会是这样的（为简便起见，省略声调；音素划分不重要，仅为示意）：行(1) h a ng

行(2) x i ng

银行 i n h a ng

行列 h a ng l i e

进行 j i n x i ng

注意「行(1)」和「行(2)」在语音识别系统看来就是完全不一样的词。

这些词在语言模型中会有不同的概率，比如在「不」字后面，「行(2)」的概率就比「行(1)」大得多。

这样，当输入语音说的是「到中国银行买白银行不行」的时候，识别器认为概率最高的单词串就会是：到 中国 银行 买 白银 行(2) 不 行(2)

在最终的后处理阶段，会把括号、空格等乱七八糟的符号去掉，输出「到中国银行买白银行不行」。

上面说的是以词为单位的识别系统。如果是以字为单位，那么词典里就只会有「行(1)」和「行(2)」这样的单字，没有「银行」「行列」「进行」等词。那么怎么知道「银行」的「行」念 háng，「进行」的「行」念 xíng 呢？还是靠语言模型。在「银」字后面，「行(1)」的概率会远高于「行(2)」；在「进」字后面，「行(2)」的概率会远高于「行(1)」。这样，还是对于上面那句话，识别器认为概率最高的单字串就是：到 中(1) 国 银 行(1) 买 白 银 行(2) 不 行(2)

（注意「中」字也是多音字，词典里会有「中(1)」和「中(2)」两个条目）

在后处理阶段，上面的单字串被处理成「到中国银行买白银行不行」。

除了多音字，同音字也是用同样的方法处理的。语音识别系统并不需要知道这些多音、同音的关系，只需要按照数学，综合声学模型和语言模型的概率，去挑选最可能的单词或单字串。