用聲音“看”視頻

當語音識別技術遇到互聯網，視頻搜索又有了新的可能。

計算機可以輕松處理文本，但對語音卻沒那么容易。在過去的20年里，研究人員一直在努力讓人和計算機搭上腔。語音識別技術因此變得成熟。現在，你已經可以通過聲音來“命令”計算機做一些簡單的操作，你所講的話也能夠被順利地識別為一段文字。而當視頻互聯網時代到來后，人們對語音技術又有了新的期望。

隨著互聯網上音視頻文件的不斷增多，如何進行準確的檢索成為一大難題。目前，大多數搜索引擎的做法是根據視音頻文件自帶的文字介紹，以及上下文環境來判斷；或者通過Web2.0常用的Tag（標簽）及朋友的推薦信息來確定視頻內容。但這些方式的缺點也像其優點一樣顯而易見。一旦視頻名稱或者文字信息不全面，就會使你跟很多精彩內容擦肩而過。

另一種做法是從內容和視覺方面做文章。比如，微軟亞洲研究院華先勝研究員的一項基于內容的視頻搜索技術，可以通過訓練計算機對內容場景進行學習，從而能夠彌補上述的不足，搜索到視頻里面去。但這種方法在有些場合也有其局限性。比如，類似《鏘鏘三人行》的談話類節目，每期的場景和人物都相對固定，視頻內容提供的信息就非常有限了。而對于這類以談話、評論或播報為主的節目來說，利用語音識別技術針對語音內容進行檢索，便成為一種更為有效的方法。

互聯網上的視頻、聲音質量參差不齊，內容更是包羅萬象，如果將傳統的語音識別技術直接應用于互聯網視頻搜索，識別準確性很低（通常只能達到50％～70％），而信息丟失率很高。因此，微軟亞洲研究院的余鵬研究員所在的研究小組提出了一項“詞格”索引技術。簡單來說，這項技術的原理就是在分析語音內容的時候為系統提供多個候選信息。據余鵬介紹，通過實驗得出的結論，這一方式可以將準確性提高50%～150%。

舉個例子。當我們識別“歡迎來到微軟研究院”這樣一段語音片段時，系統將會提供多個候選信息，“歡迎”可能是“幻影”，“來到”可能是“來道”，“微軟”也有可能是“未來”，“研究院”也可以分解產生“煙酒業”、“洋酒”、“眼鏡院”等多種候選信息。

被識別出的每個短詞都帶有起止的時間信息作為標識這一詞的節點。時間點接近的短詞便可以連接為一句話。比如上面的例子，除了出現正確的答案外，還可能會出現“幻影來到未來煙酒業”等多種可能的候選。

看到這里你可能會問：“在如此多的候選句子中，系統會優先選擇哪個識別結果呢？”實際上，對于每個識別出的短詞，這項技術還配有一個代表置信度的得分。而這個得分來自系統的概率統計，代表該詞成立的可能性。系統有“聲音”和“語言”兩個模型，分別從發聲和人類語言習慣的角度來對計算機進行訓練，使之可以在識別時做出基于概率統計的判斷。

如此一來，丟失率的問題便獲得了很好的解決。同時，通過對時間節點接近的多候選信息采用類似“合并同類項”等優化方法，可以剔除大批的冗余信息，從而可最終獲得較高的準確性和搜索效率。

而你能想象這項技術帶來的便捷嗎？你將再也不用花時間點擊每個視頻文件了—當你輸入一個關鍵詞，比如“北京奧運會”，系統給出的每個搜索結果中都會實時列出包含關鍵字的上下文。你可以以此來確認內容，也可以直接點擊其中標粗的關鍵字，位于搜索頁面右邊的播放器便會自動轉到相關內容進行播放。還記得上面提到的時間節點嗎？對，它存在的另一個意義便在于此。而你甚至還能從每個結果下方的音頻條，形象地了解這一關鍵詞在這段視頻中出現的位置和頻率。

科技總是這樣讓人驚嘆。