語音識別：讓你的手機更聰明

申請免費試用、咨詢電話：400-8352-114

當語音識別技術最早開始被應用到電腦桌面時，不少人對這項技術信心十足，認為將它全面替代鍵盤和鼠標，開啟一個新的交互時代。多年過去了，這一幕始終沒有出現，語音識別技術始終處于不溫不火的狀態(tài)。而現在，隨著智能手機的流行，語音識別技術重新看到了成為主流應用的希望。這一次，其應用和研發(fā)的推動力明顯不同于電腦領域。

在手機上更有市場

語音識別最早出現在20世紀50年代，進入60年代早期，IBM曾研究出一種可以識別16個單詞的設備，并且能做簡單的算術運算。到20世紀80年代美國Dragon Systems公司推出了首個面向PC的語音識別技術DragonDictate。它只能識別單個單詞，要求一次只讀一個。現在這個產品還在（屬于Nuance公司），已經有了11版，可以識別正常語速的對話。

語音識別之所以一直難以在桌面領域流行，有兩個重要限制因素。首先，為了保證識別迅速而且準確，系統(tǒng)必須接受訓練以建立用戶的語音模式，如Vista、Windows 7自帶的語音識別軟件都需要給系統(tǒng)一定的學習時間來識別用戶的發(fā)音。第二個因素是鍵盤的流行，大多數人已經習慣打字而不是說話。

而語音識別技術要流行需要兩個條件：一個是語音識別軟件簡單易用，另一個是某種場合只能說話而使用鍵盤很不方便。而這種場景已經出現，并且出現了很長時間，這就是移動電話領域。

Nuance產品和市場高級副總裁Matt Revis解釋了桌面和移動環(huán)境的不同：“桌面是一個固定的環(huán)境，桌面環(huán)境中的語音識別技術主要用于完成辦公軟件、網頁瀏覽、通信移動等應用，而移動環(huán)境則完全不同，用戶可能在室外正處于移動狀態(tài)，而且需要免提。”

Gartner分析師Tuong Nguyen也認為語音識別在移動場景中更有價值:“從使用的角度看，語音識別在手持設備的價值要大得多。因為它提供了一個用戶友好、直觀的輸入方法，特別是對那些沒有實體鍵盤的觸摸屏手機而言?！?/P>

由于移動設備通常只有較小的存儲空間和比較有限的計算機能力，所以，語音識別在手機上的應用也經歷了一個發(fā)展過程。早期的語音識別應用非常簡單，主要用于識別號碼進行撥號。當今的手機內存已經達到了幾百兆，另外還有GB級別的閃存，對語音識別技術的限制已經很少。語音識別能力提高的另一個條件是網絡，網絡帶寬的增加使得我們可以把一些處理放到遠程服務器上完成。

如今手機上的語音識別技術已經遠不止語音撥號。主要包括以下三個方面：

聲控：語音撥號就是聲控功能的一種，過去聲控功能只能編輯幾條固定的命令讓手機完成指定的動作，而現在則要強大得多，而且不用預先編輯，手機可以執(zhí)行相應的動作。比如，對手機說“撥12345”或者“給媽媽撥號”等，它就可以完成撥號。

語音轉文字：iPhone上有一個Dragon Dictation的應用程序，使用它用戶可以通過語音記筆記和發(fā)送電子郵件、更新Twitter；黑莓上也有類似功能的應用，如Dragon for Email；Android手機自帶的語音識別軟件可以幫助用戶通過語音發(fā)送短信。

翻譯：這項技術目前還不太成熟，不過也已經有了一些應用，如iPhone上的Jibbigo就可以翻譯單詞、短語和簡單的句子，讓雙方進行簡單的交流。

未來發(fā)展方向

如果要問一個語音技術工程師，語音識別技術的未來會如何發(fā)展，他通常會說：自然語言處理。

所謂自然語言處理就是系統(tǒng)能夠理解你的意思，而不只是知道你說的是什么。在這樣的系統(tǒng)中，用戶可以根據自己習慣不受約束地表達自己的意思。

不過，要在對話中實現自然語言處理面臨雙重挑戰(zhàn)：首先，你必須識別出說的什么，然后還要理解要表達什么意思。第一步現在越來越容易，而第二步卻非常困難：人們表達的意思與上下文環(huán)境高度相關，即使是人類自身也可能不能正確理解，更何況是電腦。

好在隨著手機功能的豐富將幫助系統(tǒng)理解人們所要表達的真正含義。語音識別系統(tǒng)可以把用戶所說的話與手機所感受到的外界環(huán)境等信息結合起來，從而提供更準確的結果。比如，一個用戶正在餐館就餐，他就很可能用到點菜、埋單、預訂、叫出租車等詞匯。

語音識別技術的另一個應用針對某個用戶進行專門的定制，這其實有些類似桌面語音識別應用的發(fā)音學習。例如，最新版的谷歌語音搜索提供一個選項，允許針對用戶自己定制一個語音識別系統(tǒng)。如果用戶選擇了自己的語音識別系統(tǒng)，谷歌就會把這個用戶和他的發(fā)音方式聯系起來，從而讓谷歌能夠針對這個用戶的發(fā)音建立一個專門的識別模型。

語音識別技術的另一個未來發(fā)展領域是游戲，語音可以大大豐富游戲的娛樂性，比如，直接給宇宙飛船發(fā)命令或者對嫌疑人進行審訊。

總體而言，到目前為止，對于手機而言語音識別技術還是一項錦上添花的技術。好在這一技術正在不斷改進，為有朝一日的突破奠定基礎，而手機恰恰為這項技術的突破提供了一個非常好的舞臺。

鏈接：語音識別技術的工作原理

語音識別技術的工作原理是利用語言發(fā)音的統(tǒng)計模型，也就是比較輸入語音和該語言的統(tǒng)計模型，設法找到最接近的匹配單詞。建立某個語言的統(tǒng)計模型需要大量的存儲空間，比如需要存儲該語言所有的基本發(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、性別不同而帶來的發(fā)音差異等。

以Google的語音搜索（Voice Search）為例，它需要兩個統(tǒng)計模型：聲學模型、語言模型。聲學模型是通過提取錄音和說話者錄音的腳本來建立的，而語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，以提高識別的準確性。