智能語音識別技術的前世今生

曾小會 廖婷婷 全趙婕 貴州大學

科學家們對語音識別的研究開始于二十世紀五十年代，在這個探索時期人們僅初步了解了語音特征。1952年第一個能識別10個英文數字的識別系統在Bell實驗室得到實現。隨后科學家們又相繼研制出針對特定人的能夠識別單音節詞的識別系統，直到1959年林肯實驗室實現了識別十個元音單元的識別系統，這是第一個針對非特定人的識別系統。

六十年代，計算機的發展給語音識別帶來了新的機遇和發展平臺，各種計算機算法和理論運營而生，極大地促進了語音識別技術的發展，使其從模擬化逐漸轉向數字化研究。

七十年代，科學家們在小量詞匯和孤立詞識別上加大研究力度，在特定人、孤立詞、小量詞匯方面取得了一定成就。

八十年代是語音識別技術研究的一個重要轉折時期，多項研究取得了巨大的突破，首先，由小量詞匯、孤立詞進步為大量詞匯、連接詞和連續語音，并且逐漸脫離特定人轉而針對非特定人。其次，語音識別算法從模板匹配轉移到了統計模型，實現了統計模型隱馬爾可夫模型和神經網絡模型，這兩大統計模型在今天仍舊在語音識別技術上占據著重要地位。

九十年代以后，由于隱馬爾可夫模型的整體框架設計相對完善、模型的自適應性問題得到解決，并且使其具有了并行性、魯棒性、容錯性和學習特性，在參數提取和優化方面也取得了重大進展，語音識別技術開始被應用于實際生活中，語音識別系統逐漸產品化。

進入二十一世紀后，隨著移動互聯網和手機應用的普及，給語音識別技術帶來了更大的發展平臺并使其迅猛發展。2010年Google發布了支持語音操作與檢索的Voice Action；2011年微軟獲得在語音搜索技術上的成功；同年，蘋果公司的Siri首度出現在公眾視野，標志著人機交互取得了巨大突破，人類進入語音識別技術的新紀元。

雖然在九十年代語音識別技術在根本技術上取得了一個質的飛躍，如上面提到的在容錯性，及參數提取等方面的優化和進一步完善，語音識別技術已經是逐漸走向成熟的階段，但是，日常生活中該技術并沒有得到廣泛的應用，說明現階段仍存在一些問題，從而其在商業市場上的發展受到了限制。

（1）語種轉換方面的技術缺失：消費者在韓國購買了一個具有語音控制功能的電飯煲，卻因為語言障礙無法使用，語音識別中的語言模塊的相關技術沒有得到充分發展，無法實現如韓語到漢語相互間的切換，對比與在計算機領域成熟的文字切換技術，就略低一籌。

（2）識別正確率底且速度慢：要打開語音識別技術在商業上的市場，必須保證其功能的完整性與達到消費者的可接受度，如何在嘈雜的環境下精確捕捉有效的語音信號，怎樣能在預設語言如普通話不標準的情況下提取關鍵的詞句指令，保證正確率的基礎上提升系統在相關階段的進程速度，能夠靈敏快速地作出反應，則需要在技術層次上做更深一步的研究。

（3）功能過于單一，從而應用領域受到限制：綜合市面上在語音識別技術上的應用，如語音控制燈，軟件上的語音搜索功能等，因為其在待定語音命令過于單一的缺陷下，不能實現較深程度的人機交互，功能局限，缺少技術支撐，顯然極大地限制了語音識別技術的應用范圍，同時，這也是現階段語音識別技術的主要發展方向。

我們應多與國內外在語音轉換方面有優勢及成熟經驗的公司、機構等交流，并在此基礎上加入一些創新元素，更加完美的彌補語音轉換方面技術的缺失。我國的語音識別的研究工作一直緊跟著國際腳步。在漢語語音識別技術上，我們還有自己的特色，并且已經達到國際先進水平。2017年4月，科大訊飛實現了從聽見、收音到翻譯，它只需要一到兩秒即反應出結果。“聽見”系統還為外交部部長當了一次現場的同聲翻譯，訊飛聽見系統除了中文語音的轉寫，也實現了對英、日、韓、藏、維等多種語種翻譯。

由于客觀因素及復雜因素等會對識別率造成影響，對語音識別是一大挑戰。相比較于智能語音識別軟件，使用者更趨向于敲擊鍵盤來表達，這與人們對智能語音助手的傳統印象有關——錯誤率識別速度慢。百度在識別錯誤率高且速度慢這方面采取了應用Deep CNN（深層卷積神經網絡技術）于語音識別的研究，使用了包含Residual連接的深層CNN，以及VGGnet等結構，將基于短時記憶單元和連接時序分類的端對端語音識別技術相結合，使得識別的錯誤率下降了10%以上。

隨著語音識別技術準確率的提高，它的功能不僅不再單一，而且它的應用范圍也在不斷擴大。對于搜索、購物和發現娛樂內容，及對機器說話等將很快實現。語言交互過程包括語義分析、句子切斷、語音識別、算法處理及語言反饋等復雜的過程。要解決這個問題，需要擁有海量、優質的語言交流數據集。事實上，國內外不少公司試圖探索語音聊天機器人在心理輔導、抑郁癥治療等項目上的潛力了，語音識別功能不再因為過于單一而受到限制，智能語音識別技術今后的發展趨勢值得期待。

[1]劉幺和 宋庭新.語音識別與控制護應用技術.科學出版社，2008

[2]趙力.語音信號處理.機械工業出版社，2003

[3]王炳錫 屈丹 彭煊.實用語音識別基礎.國防工業出版社，2005

[4]盧瑞文.自動識別技術.化學工業出版社，2005