作者│徐鑫

語音識別的未來之路

作者│徐鑫

盡管在瑪麗·米克爾第二十一次公布的年度《互聯(lián)網趨勢》報告中，提及語音識別正在成為未來的趨勢；但具體未來的語音識別究竟應該具備什么樣的功能，才能真正成為所謂的“風口”？

2016年6月，有“互聯(lián)網女皇”之稱的瑪麗·米克爾在美國Code大會上第二十一次公布了年度《互聯(lián)網趨勢》報告。報告稱，在技術終端和平臺方面，新的以語音為核心的交互模式漸成“風口”。這份報告的依據(jù)是亞馬遜智能音響Echo被熱捧，這款在2014年底推出的、基于語音識別的音響再次引發(fā)了業(yè)內的關注，甚至被喻為未來智能家居的真正入口。那么語音識別為何現(xiàn)在才被認為是未來趨勢，它將給我們帶來什么？

定位準確：Echo成功的秘笈

實際上，Amazon用于Echo上的語音技術在2011年就已經起步，其先是收購語音識別公司Yap。Yap成立于2006年，主要提供語音轉換文本的服務。2012年，Amazon又收購了語音技術公司Evi，繼續(xù)加強語音識別在商品搜索方面的應用；不得不提的是，Evi這家公司也曾經應用過Nuance的語音識別技術。2013年，Amazon繼續(xù)收購語音技術公司Ivona Software；Ivona是一家波蘭公司，主要從事文本語音轉換，其技術已被應用在Kindle Fire的文本至語音轉換功能、語音命令和Explore by Touch應用之中，Echo也是利用了這項技術。

由此不難看出，亞馬遜很早就已經通過并購與自研的方式進入到語音識別領域，只是此前相當?shù)驼{而已，更為關鍵的是，其擁有自己語音識別的核心技術—采用了非線性排列的遠程麥克風陣列（7個麥克風）。這使得相比Siri、Google Now、Cortana等存在于手機的語音助手，Echo最大的優(yōu)勢在于它超強的“聽力”。而比技術更重要的是應用，蘋果的Siri、谷歌的Google Now基本是面向智能手機等移動設備，微軟的Cortana除了智能手機，還面向傳統(tǒng)PC。而這些設備都有其他輸入方式，語音并非是有優(yōu)勢的解決方案。而亞馬遜則通過音響這種“取巧”的方式加以推廣應用，對音響來說，語音控制比拿起遙控器或者手機更方便。

好的途徑帶來更好的市場，Intelligence Research Partners預計，亞馬遜已銷售出了大約300萬臺Echo，其中在今年第一季度就銷售了100萬臺。其實在技術上，亞馬遜并非出類拔萃，但是它給語音識別應用一個好的定位。

語音識別的真正突破在智能

其實，瑪麗·米克爾的言論并非那么權威，湊巧的是，語音識別在最近兩年取得了很大突破。

前不久，麻省理工學院（MIT）主辦的知名科技期刊《麻省理工科技評論》(MIT Technology Review)，評選出了“2016年十大突破技術”?！堵槭±砉た萍荚u論》稱，在過去一年里，這10項技術均已經或即將到達一個里程碑式的階段。而語音識別的突破就在其中的第三項，通過該技術，可將語音識別和自然語言理解相結合，為全球互聯(lián)網市場創(chuàng)造切實可用的語音接口，而百度、谷歌、蘋果、Nuance通信公司、Facebook等公司是這一領域的大玩家。

實際上單純的語音識別技術已經很古老，PC時代IBM語音輸入的誕生至今已經20年了，蘋果的Siri可以追溯到更早期的軍方監(jiān)聽項目。而真正的難度在于語意識別，即把語音高正確率地轉化成文字還不夠，而是要聽懂人類在說什么，要表達什么意圖，這個才是“皇冠上的寶石”。幸運的是，隨著近年來人類科技的進步，這方面已經有了很大的突破。

突破首先來自于硬件的進步，這幾年計算機飛速發(fā)展，特別是通用計算的發(fā)展，使人類有了強大的計算能力，使得一些過去不可能實現(xiàn)的人工智能算法成為可能。

此外，在人工智能中神經網絡與深度學習都取得了很大進步，特別是深度學習算法的應用，大幅度提升了語音識別的正確率，并且提供了語意識別的可能。這方面，國內的百度走得很遠，百度語音識別可以做到安靜環(huán)境下97%準確率，領先正常人的聽力。如今，百度通過CNN（卷積神經網絡）與LSTM（長短時記憶模型）的混合建模，連接時序分類（CTC）訓練已經做到了真實環(huán)境中，日常非標準語言的精確識別，百度甚至在上海某家KFC放了一個機器人，與人自由對話、點餐。這不是編程對固定指令的處理，而是人工智能設備直接與人對話，理解人的語言，這才是語音技術的真正突破。

編輯｜孫永杰 sunyongjie@bjxintong.com.cn