辛妍

您是否曾經(jīng)夢想有一天能用自己的聲音控制你的房子、汽車，甚至機器人管家？自動語音識別曾經(jīng)只是科幻小說中的概念，而現(xiàn)在它是信息和通信技術(shù)的一個重要組成部分，越來越成為我們?nèi)粘Ｉ畹闹髁?。?dāng)您讓您的iPhone“呼叫Tom”的時候，你就在使用自動語音識別。

簡單地說，自動語音識別（ASR）是一種讓計算機識別語音，并將它轉(zhuǎn)換為書面文本的技術(shù)，是語音科學(xué)與工程發(fā)展最快的領(lǐng)域之一。作為新一代的計算技術(shù)，它是人機交互領(lǐng)域繼文本到語音轉(zhuǎn)換（TTS）和支持交互式語音響應(yīng)（IVR）系統(tǒng)之后的又一個重大創(chuàng)新。自動語音識別系統(tǒng)的目標(biāo)是準(zhǔn)確、有效地將語音信號轉(zhuǎn)換成文本，并且不受說話者、環(huán)境或者是使用的設(shè)備（即麥克風(fēng)）的限制。

語音識別技術(shù)最初是為殘疾人設(shè)計的，它可以幫助那些肌肉骨骼殘疾人士實現(xiàn)計算機上的最大生產(chǎn)力。雖然自動語音識別是一項幾十年前就開始開發(fā)的技術(shù)，但直到Apple的虛擬個人助理SiriTM和IBM的WatsonTM的商業(yè)成功才真正展示了這一領(lǐng)域的重大突破。事實上，當(dāng)2011年底Apple推出新一代的iPhone Siri語音識別軟件時，在某種意義上意味著這個具有幾十年歷史的舊技術(shù)對普通消費者來說已經(jīng)足夠好了。

全球語音識別市場的主導(dǎo)者是總部設(shè)在美國的Nuance Communications，其軟件被認(rèn)為是Siri的動力， 而它的大多數(shù)技術(shù)依賴于將語音轉(zhuǎn)換為計算機可以理解的文本。Nuance的語音解決方案支持多達(dá)50種不同的語言，并且維護著世界上最大的語音數(shù)據(jù)圖書館之一；有近三分之二的財富100強公司依靠Nuance的解決方案；Nuance的解決方案已經(jīng)應(yīng)用到超過50億部手機和7千萬輛汽車上。在醫(yī)療方面，僅在美國就有超過3千家醫(yī)院使用Nuance的醫(yī)療保健解決方案，超過15萬的醫(yī)生和護理人員使用Nuance的Dragon Medical系統(tǒng)。

自動語音識別的發(fā)展

最早嘗試設(shè)計機器自動語音識別系統(tǒng)是在20世紀(jì)50年代，但以失敗告終。第一次成功的語音識別成果產(chǎn)生在20世紀(jì)70年代，當(dāng)時一般的模式匹配技術(shù)被推出。由于應(yīng)用擴展有限，基于統(tǒng)計方法的自動語音識別技術(shù)也在同一時期開始開發(fā)。如今，統(tǒng)計技術(shù)在自動語音識別應(yīng)用中盛行，常見的語音識別系統(tǒng)可以識別數(shù)千字。

在20世紀(jì)90年代初，計算機語音識別技術(shù)出現(xiàn)了巨大的市場機會。但當(dāng)時這些產(chǎn)品的早期版本笨重且很難使用，而且不得不做出妥協(xié)：它們或者被“調(diào)整”為要依賴于一個特定的說話者，或者是只有小詞匯量，或者是用一種非常程式化、僵化的語法。然而，在計算機行業(yè)中沒有什么可以長期保持不變。20世紀(jì)90年代末期，出現(xiàn)了全新的商業(yè)語音識別軟件包，它們比上一代產(chǎn)品更容易使用，也更有效。

自動語音識別研究的“神圣目標(biāo)”是讓計算機實時地以100%的準(zhǔn)確度識別任何一個人說的話，并且不受詞匯量、噪音、說話者特征和口音、或者說話渠道的影響。盡管在這一領(lǐng)域的研究已經(jīng)有幾十年了，但大于90%的準(zhǔn)確率只有在某種程度的制約下才能實現(xiàn)。例如對通過使用麥克風(fēng)（小詞匯量，無噪音）的連續(xù)數(shù)字的識別準(zhǔn)確率可以達(dá)到99%以上；如果系統(tǒng)被訓(xùn)練學(xué)習(xí)某個說話者的聲音，那么在可用的商用系統(tǒng)中較大的詞匯也同樣能被處理，只是準(zhǔn)確率會下降到90%～95%；而不同說話者不同渠道的大詞匯量語音識別的準(zhǔn)確率不超過87%，并且處理時間是實時的數(shù)百倍。自動語音識別的性能可能受許多因素的影響，包括技術(shù)設(shè)計、語音輸入的類型和質(zhì)量、周邊環(huán)境和用戶特征等。當(dāng)有更多的數(shù)據(jù)時，自動語音識別系統(tǒng)的性能可以更好，因為這樣統(tǒng)計模型就可以建立在更大的基礎(chǔ)上。Google的自動語音識別系統(tǒng)性能好的原因是它們存儲了每個鍵入或說到Google中的搜索詞，并基于搜索的共性來確定概率。

自動語音識別的應(yīng)用

過去十年目睹了語音識別技術(shù)的顯著改善，高性能算法與系統(tǒng)都已可用，使得自動語音識別的應(yīng)用越來越廣泛。IT主流使得采用自動語音識別在全球商業(yè)中變得更為關(guān)鍵，尤其是近年來互聯(lián)網(wǎng)協(xié)議（VoIP）平臺的擴散刺激了企業(yè)對語音識別技術(shù)的采用。以支持應(yīng)用程序開始，語音識別解決方案已經(jīng)演變成滲透包括航空公司、銀行、倉儲、庫存管理和安全券商等多個行業(yè)的核心應(yīng)用程序，并已經(jīng)成為差異化服務(wù)和建立客戶關(guān)系的工具。甚至醫(yī)療中心、醫(yī)院、制藥公司和其他醫(yī)療保健行業(yè)參與者也紛紛采用自助語音解決方案，因為這不僅能降低運營成本，同時也提高了客戶的隱私度。

消費者對自動語音識別技術(shù)的應(yīng)用程序范圍從基本的依靠語音啟動的報警系統(tǒng)和手機上的語音撥號，到智能手機應(yīng)用中的語音股票報價和基于語音的電子郵件，以及更多的有針對性的解決方案，如互動娛樂和語音身份驗證等。同時，自動語音識別也是汽車導(dǎo)航、遠(yuǎn)程信息處理系統(tǒng)和信息跟蹤等的重要組成部分。隨著對支持語言學(xué)習(xí)的創(chuàng)新應(yīng)用的需求日益增加，使用自動語音識別技術(shù)的計算機輔助語言學(xué)習(xí)（CALL）系統(tǒng)也越來越受關(guān)注。

語音自動轉(zhuǎn)化為文本 我們都聽過像Apple的Siri一類的可以自動識別我們說什么的系統(tǒng)，并想知道我們能否使用這種“自動語音識別”技術(shù)來替代手工轉(zhuǎn)錄口述內(nèi)容的繁瑣過程。

自動語音識別的一個流行應(yīng)用是語音自動轉(zhuǎn)錄為文本，比如將講話轉(zhuǎn)錄成手機短信、自動數(shù)據(jù)輸入、直接語音輸入和制備結(jié)構(gòu)化文檔等。日本議會的轉(zhuǎn)錄系統(tǒng)就使用了自動語音識別。在這種應(yīng)用下，聲音用電子方式被轉(zhuǎn)換成文本，并創(chuàng)建會議記錄或者報告草稿等。然后會議記錄或者報告草稿被格式化，編輯修正翻譯、標(biāo)點或語法中的錯誤，并且檢查一致性和任何可能的錯誤。在有標(biāo)準(zhǔn)化術(shù)語的領(lǐng)域工作的轉(zhuǎn)錄員——比如放射學(xué)或病理學(xué)領(lǐng)域中——更有可能會遇到語音識別技術(shù)。在醫(yī)療界，醫(yī)療轉(zhuǎn)錄機可以聽醫(yī)生和其他專業(yè)醫(yī)療保健人員的錄音，并把它們轉(zhuǎn)錄到醫(yī)療報告、信件和其他行政材料中。這一應(yīng)用具有提高工作輸出效率并改善訪問和控制各種計算機應(yīng)用的潛力。通過使用語音輸入，自動語音識別應(yīng)用程序繞過或盡量減少傳統(tǒng)的手動輸入方法（例如鍵盤、鼠標(biāo)），因此也使它成為有嚴(yán)重的肢體或神經(jīng)運動障礙人士的一種替代輸入法。

同聲傳譯 目前同聲傳譯設(shè)備雖然尚未完善，但達(dá)到基本上可用的要求卻是指日可待。2012年夏天，倫敦發(fā)明家Will Powell展示了一個進行英語和西班牙語即時互譯的系統(tǒng)。對話雙方都戴著與手機相連的耳機，而他們佩帶的特制的眼鏡可以像字幕一樣把翻譯的文字顯示出來。這款即時互譯系統(tǒng)在只要有手機信號的地方就能工作，但目前此系統(tǒng)需要耳機、云服務(wù)和筆記本電腦的支持，也就意味著它目前還只能是個設(shè)計原型。

2012年11月，日本最大的移動電話運營商NTT DoCoMo推出了一項可以將電話中的日語與英語、中文或韓語互譯的服務(wù)。通話的每一方都連續(xù)說話，然后該公司的計算機在幾秒鐘內(nèi)將聽到的內(nèi)容翻譯到所要求的語言，并將結(jié)果視情況適當(dāng)?shù)赜媚新暬蚺曒敵觥?/p>

在同聲傳譯領(lǐng)域最誘人的成果可能來自Microsoft。2012年10月，當(dāng)該公司的首席研究官Rick Rashid出席天津的一個會議時，他的英語演講現(xiàn)場就被翻譯成了普通話，先是以字幕的形式顯示在大屏幕上，接著以電腦合成的聲音讀出。最引人注目的是，Rashid先生的中文版演講與他的英文版演講具有相同的語氣和音調(diào)。Microsoft認(rèn)為，如果以說話者自己的聲音傳遞譯文，聽眾對錯誤的容忍度會提高，比如Rashid先生演講的即時中文翻譯雖然偶有錯誤，但仍收到熱烈的掌聲。

自動語音翻譯技術(shù)和智能手機中的應(yīng)用目前可用的視頻和音頻數(shù)據(jù)量正在以指數(shù)級飛速增長，遠(yuǎn)遠(yuǎn)超過了人工翻譯的承受力。當(dāng)人工翻譯不可行時，自動語音翻譯可以發(fā)揮重要的作用，它不僅讓通信成為可能，而且可以幫助從海量的數(shù)據(jù)中找出重要信息。自動語音識別和機器翻譯能讓會議跨越國界和語言地高效舉行。

不僅是技術(shù)的進步支持自動語音識別的采用，商業(yè)趨勢也如此。在各個行業(yè)中，對最新移動技術(shù)的需求與日俱增。為順應(yīng)這一趨勢，許多語音翻譯技術(shù)都可以裝在智能手機應(yīng)用或平板電腦上使用。

不可否認(rèn)，基于互聯(lián)網(wǎng)的解決方案有巨大的優(yōu)勢，因為當(dāng)人們說話時他們的數(shù)據(jù)可以被收集和分析，而識別準(zhǔn)確率的一個主要因素是訓(xùn)練聲學(xué)模型的數(shù)據(jù)量。越多的人對Google Search和Siri說話，這些系統(tǒng)的性能就會越好。但是如果一個系統(tǒng)只能聯(lián)網(wǎng)使用，那旅行者的使用就會受限。而英國的一家叫Nouvaris的公司于2012年開發(fā)的Nova Search不需要連接到互聯(lián)網(wǎng)就能使用。因此，當(dāng)沒有3G或無線網(wǎng)信號時，你仍然能讓智能手機或計算機通過數(shù)據(jù)庫進行搜索或回答問題。而當(dāng)如果有互聯(lián)網(wǎng)連接時，該技術(shù)可以在幾秒鐘之內(nèi)就從龐大的數(shù)據(jù)庫中完成篩選，到目前為止，它已對高達(dá)2.45億條的列表起作用。由于是在智能手機上而不是互聯(lián)網(wǎng)上解碼語音，Nova Search可以更快速地完成語音指令的數(shù)據(jù)庫搜索。

Google和Siri基本上是將語音轉(zhuǎn)換為單詞流輸入到網(wǎng)絡(luò)搜索或人工智能口譯員。而Nova Search不同是因為它直接用語音輸入搜索自定義數(shù)據(jù)庫，它會產(chǎn)生拼音符號流，并將其用在一個非?？斓囊勋@得專利的搜索技術(shù)中。通過使用以拼音為基礎(chǔ)的方法，該軟件可以一次搜索整個詞組，而不是只搜索個別單詞。雖然該軟件仍然是在搜索互聯(lián)網(wǎng)時最有用，但能在本地使用設(shè)備的語音識別功能仍具有一些關(guān)鍵的優(yōu)勢，因為需要發(fā)送的數(shù)據(jù)大大減少，而且很快，要知道語音是一種非常昂貴的信號發(fā)送。該軟件的應(yīng)用包括對智能手機或電腦說出目的地，然后它會幫你找到公共交通路線等。

語音識別驗證 在興起的所有類型的生物特征識別應(yīng)用中，基于語音的身份驗證是用戶排斥較小的安全驗證，它是一種非接觸式、非侵入式且易于使用的方法。使用說話人的語音進行驗證可以有許多應(yīng)用。例如，當(dāng)倉庫中員工在工作中走來走去時，可以給他們配備可穿戴/便攜式語音數(shù)據(jù)收集系統(tǒng)使其進入倉庫；可以對因酒后駕車而定罪的罪犯方便地進行遠(yuǎn)程酒精測試。結(jié)合移動定位系統(tǒng)，語音驗證還可以用于跟蹤保安人員，以確保他們自己在正常巡邏，而不是讓他們的朋友在幫他們巡邏。另外，語音驗證也可作為多安全系統(tǒng)用來控制過境。比如在Montana州的Scobey，氣溫有時會降至零度以下，于是大多數(shù)其他形式的生物識別技術(shù)不再可行，而語音驗證裝置卻可以照常工作。

在金融方面，語音驗證也開始有了應(yīng)用。Nuance公司2013年5月的調(diào)查數(shù)據(jù)顯示，有85%的人對當(dāng)前的身份驗證方法不滿，因為要登錄到銀行帳戶、旅行網(wǎng)站或其他個人帳戶時，必須要記住許多個人識別碼、密碼、安全問題及其答案；數(shù)據(jù)還顯示，如果能有相同高的安全級別的話，90%的人希望能使用語音識別解決方案來代替?zhèn)鹘y(tǒng)的身份驗證方法，因為語音識別技術(shù)可以通過每個人獨特的聲音來標(biāo)識他，從而消除了要記住和鍵入密碼、個人識別碼的麻煩，讓身份驗證過程變得快速而簡單。

2013年5月，Barclays財富投資管理部署了Nuance的Free Speech語音識別方案，成為第一家在呼叫中心將被動的語音識別技術(shù)部署為主要客戶驗證手段的金融服務(wù)公司。自推出以來，超過84%的Barclays客戶已在Nuance語音生物識別技術(shù)解決方案中注冊，其中有95%的人第一次使用時就成功驗證了身份。更妙的是，客戶與聯(lián)系中心的經(jīng)驗反饋也有所改進，93%的客戶對新的身份驗證系統(tǒng)就速度、易用性和安全性的評分至少為90分。Nuance的語音生物識別技術(shù)讓象Barclays銀行這樣的組織通過更直觀、更透明的認(rèn)證方式重新定義它們的客戶服務(wù)經(jīng)驗，減輕了客戶和服務(wù)代理的負(fù)擔(dān)。

汽車上的應(yīng)用 技術(shù)的發(fā)展一日千里，這極大影響了現(xiàn)代汽車中的駕駛員界面。先進的駕駛員輔助系統(tǒng)、自動泊車制動系統(tǒng)和無鑰匙點火等創(chuàng)新從根本上改變了駕駛員界面的構(gòu)成。這些新的舒適性、信息和娛樂系統(tǒng)要求駕駛員處置大量的按鈕、旋鈕和屏幕，并且這一需求還在不斷增加。移動智能手機和平板電腦也被越來越多地納入汽車中，以滿足駕駛員在行車中對連接和新服務(wù)的需求。對駕駛員來說，這顯然帶來了駕駛干擾和信息超載的風(fēng)險，尤其是這些主要車輛控制還只是冰山一角。而最有前景的解決方案似乎是語音控制，并且這早已是汽車行業(yè)的愿望。2013年現(xiàn)代的下一代汽車將有自然語言的語音啟動電話撥號、消息聽寫、目的地輸入等，并能在車內(nèi)或在線音樂服務(wù)中搜索音樂。然而需要認(rèn)識到的是，即使有語音控制，駕駛員分神的風(fēng)險依然存在。

自動語音識別的其他應(yīng)用 移動廣告是數(shù)字廣告中增長最快的領(lǐng)域之一。根據(jù)eMarketer的數(shù)據(jù)，2012年全球移動廣告支出達(dá)84.1億美元，是2011年的40億美元的兩倍以上，并且預(yù)計到2013年達(dá)到近370億美元。作為創(chuàng)新性的新的移動廣告格式，語音廣告是游戲規(guī)則改變者，它可以讓人們與他們喜歡的品牌有動人有趣的雙向?qū)υ?，品牌可以通過讓消費者在廣告中暢所欲言而令其對品牌產(chǎn)生持久的印象。在以前，從來沒有一個品牌能夠有超過10億用戶的個人對話，而這正是品牌一直渴求的與公眾的親密關(guān)系。目前Nuance VoiceAds已經(jīng)完全可以做到這一點。

2013年，松下新的高清智能電視SMARTVIERA采用Nuance配備的Dragon TV系統(tǒng)，人們可以坐著通過語音來查找內(nèi)容、搜索網(wǎng)頁、控制音量等， 創(chuàng)造了更多的互動和智能電視體驗。

另一個更為有趣的應(yīng)用發(fā)生在俄羅斯，該國最大的零售銀行聯(lián)邦儲蓄銀行（Sber bank）開發(fā)了一種使用語音識別來測謊的自動提款機。該機器通過將客戶對一些問題的反應(yīng)與一個記錄審訊中說謊人的數(shù)據(jù)庫比較，從而確定客戶是否說謊。

自動語音識別的未來

除了從事自動語音識別的研究和開發(fā)的科學(xué)家和技術(shù)人員，大多數(shù)人考慮自動語音識別時低估了它的復(fù)雜性。它不僅是自動的文本到語音，復(fù)雜的識別任務(wù)的一個必要條件是自動語音識別需要有大的數(shù)據(jù)容量和存儲器的快速計算機，并且需要語音科學(xué)家、語言學(xué)家、計算機科學(xué)家、數(shù)學(xué)家和工程師的參與。這些參與者應(yīng)用神經(jīng)網(wǎng)絡(luò)、心理聲學(xué)、語言學(xué)、言語感知、人工智能、聲學(xué)語音學(xué)等領(lǐng)域的知識，為實現(xiàn)人類和機器之間的自然會話這一最終目標(biāo)共同努力。

過去三十多年來，語音識別研究的特點是小改進的穩(wěn)步積累。由于語音識別性能的提高和更快計算機的可用，商業(yè)研究和其他學(xué)術(shù)研究繼續(xù)把重點放在日益難以解決的問題上。其中一個關(guān)鍵領(lǐng)域是提高語音識別性能的強健耐用性，這不僅是指抗噪音方面，也包括在所有可能導(dǎo)致性能大幅下降的情況下的強健耐用性。另一個關(guān)鍵領(lǐng)域關(guān)注的是一個機會，而不是一個問題，因為這項研究嘗試?yán)迷S多應(yīng)用中的大量高達(dá)數(shù)百萬小時的可用語音數(shù)據(jù)。如果靠人來把這些語音轉(zhuǎn)錄成文本，成本相當(dāng)高昂，因此研究關(guān)注的是開發(fā)一種新的機器學(xué)習(xí)的方法，使之能有效地利用大量未標(biāo)記的數(shù)據(jù)。還有一個研究領(lǐng)域是更好地理解人的能力，并使用這種理解來提高機器識別性能。

自動語音識別產(chǎn)品將會不斷完善，并被更多地使用。雖然在鍵盤上打字相對容易，但很難有人可以像說話一樣快速準(zhǔn)確地鍵入文字。基于我們生活的現(xiàn)代世界里時間是最重要的這一事實，自動語音識別將幫助人類提高生產(chǎn)力，讓我們能夠更容易更迅速地運行搜索查詢、撰寫重要文檔和管理我們的日常生活。此外，企業(yè)還將能在沒有互聯(lián)網(wǎng)連接時隨時使用相應(yīng)的應(yīng)用程序，而目前在旅行時這些應(yīng)用并不總是可用的。

下一代的移動語音翻譯應(yīng)用將會針對特定的行業(yè)量身定制，這種特定的環(huán)境或目的假定可以提高準(zhǔn)確性。1993年，自動語音識別系統(tǒng)的準(zhǔn)確率只有10%，到1995年大概為48%，而2001年系統(tǒng)的準(zhǔn)確率可達(dá)80%以上?；谧詣诱Z音識別系統(tǒng)準(zhǔn)確性的不斷提高，加之人類自身聽語音演講時準(zhǔn)確率可達(dá)96%這一事實，相信在不久的將來，語音識別設(shè)備就能以比我們自己還要高的準(zhǔn)確度來抄寫我們的語言。