语音识别系统通过声学建模、语言建模和后处理规则的结合来处理像“um”和“uh”这样的语气词。这些系统通常在包含自然语言的自发语音的大型数据集上进行训练，其中自然包含口语不流畅。 在处理过程中，声学模型识别与语气词相关的声音，而语言模型评估它们在给定上下文中的可能性。例如，如果检测到暂停或低置信度的语音段，则系统可能会根据训练期间学到的模式将其分类为语气词。但是，语气词是否包含在最终输出中取决于应用程序的要求 - 有些系统保留它们以确保准确性，而另一些系统则将其过滤掉。
该技术过程涉及多个阶段。首先，使用声学模型将原始音频转换为音素（不同的声音单元）。语气词通常具有独特的语音特征，例如延长的元音或低能量的停顿，模型可以检测到这些特征。接下来，语言模型预测特定单词按顺序出现的概率。由于“um”和“uh”在非正式语音中很常见，因此语言模型可能会在诸如子句之间的停顿之类的上下文中为它们分配更高的概率。但是，许多系统都应用了置信度阈值：如果检测到的段落作为有意义的单词的置信度较低，则将其标记为语气词。例如，像 Alexa 这样的语音助手可能会抑制语气词以隔离可操作的命令，而转录服务可能会保留它们以确保逐字准确性。
开发人员可以根据用例来影响语气词的处理方式。像 Google 的 Speech-to-Text 或 AWS Transcribe 这样的 API 通常提供启用“不雅内容过滤”或“口语不流畅删除”的选项，这些选项间接针对语气词。对于自定义系统，可以在转录后添加后处理规则（例如用于删除已知语气词的正则表达式模式）。但是，这需要平衡准确性：过度过滤可能会删除合法的单词（例如，医学术语中像 “umbilical” 里的“um”）。使用包括自发语音样本在内的各种数据集进行测试至关重要。例如，远程医疗应用程序可能会优先保留语气词以捕获患者的细微差别，而会议摘要工具可能会为了简洁起见而丢弃它们。关键是将系统的行为与最终用户的需求保持一致。