讓機器聽懂你說話

最早的語音識別系統(tǒng)很挑剔

我們知道，要想讓機器發(fā)出聲音，是比較簡單的，只要將電信號轉化為聲音信號就可以，收音機、CD機、電視都是這么工作的。可是想讓機器聽懂我們說出的話，就不那么容易了，這要涉及一項很重要的技術——語音識別技術。

簡單地說，語音識別技術就是讓計算機能夠識別接收到的聲音信號，并把信號轉變?yōu)槲淖只蛘呖蓤?zhí)行指令的技術。也許你覺得這好像并不是很難，先把聲音信號轉換為電信號輸入計算機，再讓計算機把電信號轉化為文字或命令，不就可以了嗎？可是不要忘了，每個人說話的聲音都是不一樣的，他們的音調、口音、用詞習慣都不相同，可以說，每個人都有一套自己的聲音信號。要想讓一臺計算機識別所有人的聲音信號，這幾乎是一件不可能完成的工作。

世界上最早的語音識別系統(tǒng)，被安裝在了一種名為“Radio Rex”的玩具狗上。這種玩具狗生產(chǎn)于上個世紀20年代。設計師的想法是，當人們呼喚這只狗的名字時，它就可以從底座上一躍而起。這樣的狗狗多討喜啊！然而這個語音識別系統(tǒng)的識別率極低，對于大部分人的呼喚，它沒有任何反應，只有極少數(shù)“字正腔圓”的呼喚，才能讓這只挑剔的狗跳起來。

隨后，美國的貝爾實驗室開發(fā)出了一套能夠識別10個音節(jié)的語音系統(tǒng)。它的工作原理十分簡單，當系統(tǒng)接收到一段語音信號時，首先，它會把這段信號轉換成電信號，并將電信號拆分為很多段，每一段對應語音中的一個單詞；接著，系統(tǒng)將這些代表單詞的電信號與系統(tǒng)內(nèi)置的語音詞典進行比對，根據(jù)比對結果，將電信號轉換為文字；最后，再將這些文字合成為一句話，從而完成對語音的識別。

這下，是不是看起來簡單可行了？如果你認為是，那我先講個笑話給你聽——話說在尋呼機時代，一位男士本想給妻子的尋呼機留言說：“我已到家樂福，在門口等你。”可呼臺小姐給打成：“我已到家了，伏在門口等你。”

人都會犯這樣的斷句錯誤，何況機器！韓愈的《師說》里說：“句讀之不知，惑之不解”。意思是，如果你不知道一句話該怎么斷句，就無法解開心中的疑惑。對于要去識別語言的機器來說，“斷句之不能，錯之必出”！

機器怎樣一步步學會了“聽話”

這個問題對于中文來說，還好一點。因為中文以漢字為基本單元，很好拆分，可是對于英文等外文來說，大部分詞都是多音節(jié)的，如何正確地拆分更加令人頭疼。

一個很有用的數(shù)學工具——隱式馬爾科夫模型（HMM）幫助科學家解決了這一問題。隱式馬爾科夫模型采用概率論的方法，通過大量的計算，可以找到比較合理的拆分單詞的方法。

單詞拆分以后，就需要將其和系統(tǒng)中的語音詞典進行比對。在這個過程中，無疑英文是有優(yōu)勢的，因為它的同音詞比較少。而我們中文里有大量的同音字，同一個發(fā)音，到底要對應哪一個字呢？這顯然不僅僅是聲音信號分析的問題了。

為了解決這一問題，科學家們在聲音信號分析的基礎上，開始引入知識分析的方法，也就是利用語言的構詞方式、句法、語義、對話背景等來幫助進行語音識別，并且對識別出來的語音進行糾錯和校對。

盡管如此，由于音調、口音的差別，語音識別的準確率仍然不夠高。為了提高識別的準確率，很多系統(tǒng)都增加了“學習”的功能。所謂“學習”功能，指的是當系統(tǒng)接收到一段不能識別的語音信號的時候，會將說話者的聲音和說話者手動給出的識別結果存儲在語音詞典中，從而總結出說話者的發(fā)音習慣，提高識別的準確率。

這樣做的好處在于，當系統(tǒng)學習了足夠多的語音的時候，它的識別準確率會大大提高。而它的不足之處也是十分明顯的，就是一個語音系統(tǒng)只能學習一個人的語音。如果讓它學習多個人的語音，就會對它的學習系統(tǒng)造成混亂。

“字正腔圓”仍是基本要求

隨著科學技術的發(fā)展，科學家們在不斷地優(yōu)化語音識別的程序，豐富語音詞典的內(nèi)容，使得語音識別的準確率越來越高。

進入21世紀以來，語音識別技術已經(jīng)相當成熟，識別率很高。我們手機上的語音識別軟件，可以讓我們打電話時根本不用撥號，直接對著電話大叫“老媽”、“張哥”、“Hellen”……手機就會“聽懂”你的話，立刻幫你撥通那個人的電話。

隨著語音識別技術的成熟，語音對話機器人、語音助手、語音記錄等軟件和應用也層出不窮。不過即使在現(xiàn)在，你使用語音軟件的時候，“字正腔圓”仍然是基本要求。因為系統(tǒng)的識別能力仍然有限，希望在不久的將來，語音識別技術能夠真正改變我們的生活。（責任編輯：白玉磊）