مدل های زبانی بشدت تحت تاثیر ویژگی های لغوی، نحوی و معنایی سخنان آموزش دیده است و در راستای جبران این نقص مساله تطبیق مدل های زبانی مطرح می شود. یکی از مهم ترین روش های تطبیق که در این مقاله بررسی می شود مدل STM می باشد. از طرفی از مهم ترین و پرکاربردترین مدل های زبانی، مدل های آماری زبان می باشند. در این مدل ها اغلب کلماتی ارائه می شوند که از لحاظ نحوی و معنایی و گاهی هم از لحاظ عملی نامناسب هستند. برای حل این مشکل استفاده از FLM یا مدل زبانی فاکتورگرا پیشنهاد شد. در این مقاله با توجه به نتایج بدست آمده خواهیم دید روش FLM با در نظر گرفتن اطلاعات نحوی متن مانند ادات سخن، و روش STM با توجه به بخش بندی متون و در نظر گرفتن موضوعات بخش ها قادر هستند مدل زبانی کاملتری تولید کرده و سبب بهبود نرخ صحیح بازشناسی کلمه شوند. در روش پیشنهادی دوم با تلفیق دو روش FLM و STM روش FSTM مطرح گردید که ضمن ارائه چهارچوب کلی و روابط مربوطه، عملکرد آنرا با روشهای تطبیق مدل زبانی متداول مقایسه نمودیم. نتایج آزمایشات کارایی بهتر روش پیشنهادی را نسبت به دیگر روشهای تطبیق نشان داد.
واژگان کلیدی: ادات سخن ، بازشناسی گفتار ، بخش بندی متن ، تطبیق مدل زبانی ، مدل زبانی