智能语音应用开发主要使用以下几种语音：
1. 自然语言处理（NLP）：这是智能语音应用开发的基础，通过分析、理解、生成和处理人类语言，实现与用户的自然交互。NLP技术包括文本预处理、词法分析、句法分析、语义分析等。
2. 语音识别（ASR）：将人类的语音信号转换为计算机可读的文本数据。常用的语音识别技术有隐马尔可夫模型（HMM）、深度学习（如卷积神经网络CNN）等。
3. 语音合成（TTS）：将计算机生成的文本数据转换为人类的语音信号。常用的语音合成技术有线性预测编码（LPC）、隐马尔可夫模型（HMM）、深度神经网络（DNN）等。
4. 语音情感分析（Emotion Recognition）：通过分析语音信号的情感特征，判断用户的情绪状态。常用的情感分析技术有隐马尔可夫模型（HMM）、深度学习（如卷积神经网络CNN）等。
5. 语音指令识别（Voice Command Recognition）：通过识别用户的语音指令，实现对设备的控制。常用的语音指令识别技术有隐马尔可夫模型（HMM）、深度学习（如卷积神经网络CNN）等。
6. 语音搜索（Voice Search）：通过识别用户的语音指令，实现对互联网内容的搜索。常用的语音搜索技术有隐马尔可夫模型（HMM）、深度学习（如卷积神经网络CNN）等。
7. 语音翻译（Voice Translation）：通过识别用户的语音指令，实现不同语言之间的翻译。常用的语音翻译技术有隐马尔可夫模型（HMM）、深度学习（如卷积神经网络CNN）等。
8. 语音游戏：通过识别用户的语音指令，实现游戏的控制。常用的语音游戏技术有隐马尔可夫模型（HMM）、深度学习（如卷积神经网络CNN）等。
9. 语音购物：通过识别用户的语音指令，实现购物的功能。常用的语音购物技术有隐马尔可夫模型（HMM）、深度学习（如卷积神经网络CNN）等。
10. 语音助手：通过识别用户的语音指令，实现各种功能的帮助。常用的语音助手技术有隐马尔可夫模型（HMM）、深度学习（如卷积神经网络CNN）等。
