語(yǔ)音識(shí)別技術(shù)：讓你的智能手機(jī)更聰明
2011/03/31
當(dāng)語(yǔ)音識(shí)別技術(shù)最早開(kāi)始被應(yīng)用到電腦桌面時(shí)，不少人對(duì)這項(xiàng)技術(shù)信心十足，認(rèn)為將它全面替代鍵盤(pán)和鼠標(biāo)，開(kāi)啟一個(gè)新的交互時(shí)代。多年過(guò)去了，這一幕始終沒(méi)有出現(xiàn)，語(yǔ)音識(shí)別技術(shù)始終處于不溫不火的狀態(tài)。而現(xiàn)在，隨著智能手機(jī)的流行，語(yǔ)音識(shí)別技術(shù)重新看到了成為主流應(yīng)用的希望。這一次，其應(yīng)用和研發(fā)的推動(dòng)力明顯不同于電腦領(lǐng)域。
在手機(jī)上更有市場(chǎng)
語(yǔ)音識(shí)別最早出現(xiàn)在20世紀(jì)50年代，進(jìn)入60年代早期，IBM曾研究出一種可以識(shí)別16個(gè)單詞的設(shè)備，并且能做簡(jiǎn)單的算術(shù)運(yùn)算。到20世紀(jì)80年代美國(guó)Dragon Systems公司推出了首個(gè)面向PC的語(yǔ)音識(shí)別技術(shù)DragonDictate。它只能識(shí)別單個(gè)單詞，要求一次只讀一個(gè)�，F(xiàn)在這個(gè)產(chǎn)品還在（屬于Nuance公司），已經(jīng)有了11版，可以識(shí)別正常語(yǔ)速的對(duì)話(huà)。
語(yǔ)音識(shí)別之所以一直難以在桌面領(lǐng)域流行，有兩個(gè)重要限制因素。首先，為了保證識(shí)別迅速而且準(zhǔn)確，系統(tǒng)必須接受訓(xùn)練以建立用戶(hù)的語(yǔ)音模式，如Vista、Windows 7自帶的語(yǔ)音識(shí)別軟件都需要給系統(tǒng)一定的學(xué)習(xí)時(shí)間來(lái)識(shí)別用戶(hù)的發(fā)音。第二個(gè)因素是鍵盤(pán)的流行，大多數(shù)人已經(jīng)習(xí)慣打字而不是說(shuō)話(huà)。
而語(yǔ)音識(shí)別技術(shù)要流行需要兩個(gè)條件：一個(gè)是語(yǔ)音識(shí)別軟件簡(jiǎn)單易用，另一個(gè)是某種場(chǎng)合只能說(shuō)話(huà)而使用鍵盤(pán)很不方便。而這種場(chǎng)景已經(jīng)出現(xiàn)，并且出現(xiàn)了很長(zhǎng)時(shí)間，這就是移動(dòng)電話(huà)領(lǐng)域。
Nuance產(chǎn)品和市場(chǎng)高級(jí)副總裁Matt Revis解釋了桌面和移動(dòng)環(huán)境的不同：“桌面是一個(gè)固定的環(huán)境，桌面環(huán)境中的語(yǔ)音識(shí)別技術(shù)主要用于完成辦公軟件、網(wǎng)頁(yè)瀏覽、通信移動(dòng)等應(yīng)用，而移動(dòng)環(huán)境則完全不同，用戶(hù)可能在室外正處于移動(dòng)狀態(tài)，而且需要免提�！�
Gartner分析師Tuong Nguyen也認(rèn)為語(yǔ)音識(shí)別在移動(dòng)場(chǎng)景中更有價(jià)值:“從使用的角度看，語(yǔ)音識(shí)別在手持設(shè)備的價(jià)值要大得多。因?yàn)樗峁┝艘粋�(gè)用戶(hù)友好、直觀(guān)的輸入方法，特別是對(duì)那些沒(méi)有實(shí)體鍵盤(pán)的觸摸屏手機(jī)而言�！�
由于移動(dòng)設(shè)備通常只有較小的存儲(chǔ)空間和比較有限的計(jì)算機(jī)能力，所以，語(yǔ)音識(shí)別在手機(jī)上的應(yīng)用也經(jīng)歷了一個(gè)發(fā)展過(guò)程。早期的語(yǔ)音識(shí)別應(yīng)用非常簡(jiǎn)單，主要用于識(shí)別號(hào)碼進(jìn)行撥號(hào)。當(dāng)今的手機(jī)內(nèi)存已經(jīng)達(dá)到了幾百兆，另外還有GB級(jí)別的閃存，對(duì)語(yǔ)音識(shí)別技術(shù)的限制已經(jīng)很少。語(yǔ)音識(shí)別能力提高的另一個(gè)條件是網(wǎng)絡(luò)，網(wǎng)絡(luò)帶寬的增加使得我們可以把一些處理放到遠(yuǎn)程服務(wù)器上完成。
如今手機(jī)上的語(yǔ)音識(shí)別技術(shù)已經(jīng)遠(yuǎn)不止語(yǔ)音撥號(hào)。主要包括以下三個(gè)方面：
聲控：語(yǔ)音撥號(hào)就是聲控功能的一種，過(guò)去聲控功能只能編輯幾條固定的命令讓手機(jī)完成指定的動(dòng)作，而現(xiàn)在則要強(qiáng)大得多，而且不用預(yù)先編輯，手機(jī)可以執(zhí)行相應(yīng)的動(dòng)作。比如，對(duì)手機(jī)說(shuō)“撥12345”或者“給媽媽撥號(hào)”等，它就可以完成撥號(hào)。
語(yǔ)音轉(zhuǎn)文字：iPhone上有一個(gè)Dragon Dictation的應(yīng)用程序，使用它用戶(hù)可以通過(guò)語(yǔ)音記筆記和發(fā)送電子郵件、更新Twitter；黑莓上也有類(lèi)似功能的應(yīng)用，如Dragon for Email；Android手機(jī)自帶的語(yǔ)音識(shí)別軟件可以幫助用戶(hù)通過(guò)語(yǔ)音發(fā)送短信。
翻譯：這項(xiàng)技術(shù)目前還不太成熟，不過(guò)也已經(jīng)有了一些應(yīng)用，如iPhone上的Jibbigo就可以翻譯單詞、短語(yǔ)和簡(jiǎn)單的句子，讓雙方進(jìn)行簡(jiǎn)單的交流。
未來(lái)發(fā)展方向
如果要問(wèn)一個(gè)語(yǔ)音技術(shù)工程師，語(yǔ)音識(shí)別技術(shù)的未來(lái)會(huì)如何發(fā)展，他通常會(huì)說(shuō)：自然語(yǔ)言處理。
所謂自然語(yǔ)言處理就是系統(tǒng)能夠理解你的意思，而不只是知道你說(shuō)的是什么。在這樣的系統(tǒng)中，用戶(hù)可以根據(jù)自己習(xí)慣不受約束地表達(dá)自己的意思。
不過(guò)，要在對(duì)話(huà)中實(shí)現(xiàn)自然語(yǔ)言處理面臨雙重挑戰(zhàn)：首先，你必須識(shí)別出說(shuō)的什么，然后還要理解要表達(dá)什么意思。第一步現(xiàn)在越來(lái)越容易，而第二步卻非常困難：人們表達(dá)的意思與上下文環(huán)境高度相關(guān)，即使是人類(lèi)自身也可能不能正確理解，更何況是電腦。
好在隨著手機(jī)功能的豐富將幫助系統(tǒng)理解人們所要表達(dá)的真正含義。語(yǔ)音識(shí)別系統(tǒng)可以把用戶(hù)所說(shuō)的話(huà)與手機(jī)所感受到的外界環(huán)境等信息結(jié)合起來(lái)，從而提供更準(zhǔn)確的結(jié)果。比如，一個(gè)用戶(hù)正在餐館就餐，他就很可能用到點(diǎn)菜、埋單、預(yù)訂、叫出租車(chē)等詞匯。
語(yǔ)音識(shí)別技術(shù)的另一個(gè)應(yīng)用針對(duì)某個(gè)用戶(hù)進(jìn)行專(zhuān)門(mén)的定制，這其實(shí)有些類(lèi)似桌面語(yǔ)音識(shí)別應(yīng)用的發(fā)音學(xué)習(xí)。例如，最新版的谷歌語(yǔ)音搜索提供一個(gè)選項(xiàng)，允許針對(duì)用戶(hù)自己定制一個(gè)語(yǔ)音識(shí)別系統(tǒng)。如果用戶(hù)選擇了自己的語(yǔ)音識(shí)別系統(tǒng)，谷歌就會(huì)把這個(gè)用戶(hù)和他的發(fā)音方式聯(lián)系起來(lái)，從而讓谷歌能夠針對(duì)這個(gè)用戶(hù)的發(fā)音建立一個(gè)專(zhuān)門(mén)的識(shí)別模型。
語(yǔ)音識(shí)別技術(shù)的另一個(gè)未來(lái)發(fā)展領(lǐng)域是游戲，語(yǔ)音可以大大豐富游戲的娛樂(lè)性，比如，直接給宇宙飛船發(fā)命令或者對(duì)嫌疑人進(jìn)行審訊。
總體而言，到目前為止，對(duì)于手機(jī)而言語(yǔ)音識(shí)別技術(shù)還是一項(xiàng)錦上添花的技術(shù)。好在這一技術(shù)正在不斷改進(jìn)，為有朝一日的突破奠定基礎(chǔ)，而手機(jī)恰恰為這項(xiàng)技術(shù)的突破提供了一個(gè)非常好的舞臺(tái)。
語(yǔ)音識(shí)別技術(shù)的工作原理
語(yǔ)音識(shí)別技術(shù)的工作原理是利用語(yǔ)言發(fā)音的統(tǒng)計(jì)模型，也就是比較輸入語(yǔ)音和該語(yǔ)言的統(tǒng)計(jì)模型，設(shè)法找到最接近的匹配單詞。建立某個(gè)語(yǔ)言的統(tǒng)計(jì)模型需要大量的存儲(chǔ)空間，比如需要存儲(chǔ)該語(yǔ)言所有的基本發(fā)音、所有單詞以及所有單詞之間可能組合在一起的發(fā)音方式，在此之上，還有口音以及因年齡、性別不同而帶來(lái)的發(fā)音差異等。
以Google的語(yǔ)音搜索（Voice Search）為例，它需要兩個(gè)統(tǒng)計(jì)模型：聲學(xué)模型、語(yǔ)言模型。聲學(xué)模型是通過(guò)提取錄音和說(shuō)話(huà)者錄音的腳本來(lái)建立的，而語(yǔ)言模型主要搞清楚哪些單詞最有可能跟在另外一些單詞之后，以提高識(shí)別的準(zhǔn)確性。
計(jì)世網(wǎng)
相關(guān)閱讀: