一个实用的语音识别系统应由哪几个部分组成？语音识别中常用的语音特征参数有哪些？什么是动态语音特征参数？怎样提取动态语音特征参数？

一个实用的语音识别系统通常由以下几个部分组成：

1. 语音预处理：将原始语音信号进行滤波、降噪、预加重等处理，以便后续处理的顺利进行。

2. 特征提取：将预处理后的语音信号转换成一系列特征向量，作为后续模型的输入。常用的特征参数有MFCC、LPCC、PLP等。

3. 建模和训练：利用已标注好的语音数据进行模型的训练，常用的模型包括隐马尔可夫模型（HMM）、深度神经网络（DNN）、循环神经网络（RNN）等。

4. 解码和后处理：将测试语音转换成特征向量序列后，利用训练好的模型进行识别，得到最终的文本结果。对于连续语音，还需要进行声学模型对齐和后处理等操作。

常用的语音特征参数包括：

1. 短时能量（Short-term energy）

2. 短时过零率（Short-term zero crossing rate）

3. 梅尔倒谱系数（Mel-frequency cepstrum coefficients，MFCC）

4. 线性预测征候系数（Linear predictive coding coefficients，LPCC）

5. 感知线性预测（Perceptual linear predictive，PLP）

动态语音特征参数是指对语音的一系列动态变化进行建模，包括一阶差分参数（delta）和二阶差分参数（delta-delta）。这些参数能够更好地反映语音信号的动态特性，提高语音识别的准确率。

提取动态语音特征参数的方法包括：

1. 差分法：对每个特征向量的相邻帧求差分，得到一阶差分参数。

2. 双向差分法：对每个特征向量的前后若干帧求差分，得到一阶差分参数和二阶差分参数。

3. 动态时间规整法（Dynamic time warping，DTW）：将测试语音的特征向量序列与训练语音的模板序列进行匹配，得到一阶差分参数和二阶差分参数。