首頁>>>技術(shù)>>>語音應(yīng)用>>>語音識別(ASR)　　語音識別產(chǎn)品

語音識別醞釀第二次浪潮

彭禎藝 2003/09/15

　　得意音通是一家提供語音技術(shù)的公司。打進該公司的電話總機，在通常的“請撥分機號”以及“人工服務(wù)撥0”的語音提示外，加上了一條“請說您找哪位”。其實，像這樣的用戶直接跟機器對話的系統(tǒng)在美國已非常普遍。在遍布美國大街小巷的公用電話亭里，只要有AT＆T語音識別系統(tǒng)標識的，用戶只需對著電話說“Connect Operator Please”，系統(tǒng)所具有的關(guān)鍵詞檢測技術(shù)就可以從句子中查找到Operator，直接把電話接通到接線員，系統(tǒng)的識別率超過99%。

　　相比用按鍵方式進入一級級菜單的傳統(tǒng)的呼叫中心，這樣的服務(wù)顯然更方便。尤其是在不適用于鍵盤和鼠標輸入的移動計算環(huán)境，語音輸入具有更大的發(fā)展?jié)摿�。就算是在辦公室，語音識別技術(shù)也可以幫助一部分不愿意或不能使用鍵盤、鼠標的用戶減少大量的手腕和手指的重復勞動。然而，這樣的技術(shù)對大部分人來說仍然很新鮮，想想有幾個人使用了手機里內(nèi)置多年的語音撥號功能？
　　
　　技術(shù)的落差

　　語音識別的研究工作可以追溯到20世紀50年代AT&T貝爾實驗室的Audry系統(tǒng)，它是第一個可以識別十個英文數(shù)字的語音識別系統(tǒng)。實驗室語音識別研究的巨大突破產(chǎn)生于20世紀80年代末：一些小詞匯量的識別系統(tǒng)具備了較高的識別率。同時，人們終于在實驗室突破了大詞匯量、連續(xù)語音和非特定人這三大障礙，第一次把這三個特性都集成在一個系統(tǒng)中。語音識別技術(shù)獲得突破的主要原因在于半導體技術(shù)、軟件技術(shù)和存儲技術(shù)突飛猛進的發(fā)展。

　　語音技術(shù)掀起的第一次浪潮始于20世紀90年代前期，許多著名的大公司如IBM、蘋果、AT＆T和NTT都對語音識別系統(tǒng)的實用化研究投以巨資。語音識別技術(shù)有一個很好的評估機制，那就是識別的準確率，而這項指標在20世紀90年代中后期實驗室研究中得到了不斷的提高。在1997年有人提出，“語音時代”已經(jīng)來臨，商家也都對此充滿了信心：希望語音識別能力能跟人一樣。語音識別技術(shù)變得如此受歡迎，讓人不得不相信，語音技術(shù)將無處不在。

　　然而，事實并非如此。在實際應(yīng)用中，在實驗室中“成功”的語音識別系統(tǒng)在魯棒性（Robustness）、靈活性和自適應(yīng)能力上還遠遠不能滿足實際的需要，技術(shù)上也顯得力不從心。得意音通公司副總裁鄧永強說：“過高的市場期望面對實際的技術(shù)水平和應(yīng)用現(xiàn)狀，難免產(chǎn)生泡沫�！�

　　技術(shù)的不成熟，加之市場的接受情況，語音識別市場確實無法用上“火爆”這個形容詞，甚至無法在市場上找到幾個語音識別方面的成熟應(yīng)用，因此，眾人紛紛打起了“半成品技術(shù)”的主意，“以現(xiàn)有的技術(shù)水平來創(chuàng)造出應(yīng)用”。以中國市場為例，廠商并沒有去追求最完美的應(yīng)用—“聽寫機”一類的非特定人、連續(xù)語音、大詞匯量的語音識別，而是把當前已經(jīng)成熟的那部分技術(shù)應(yīng)用到實際的產(chǎn)品中。例如以中小詞表為主的命令式語音識別，包括呼叫中心、語音撥號，移動設(shè)備中的嵌入式命令控制等，并且對于普通話能達到相當高的識別率。
　　
　　語音識別的“新三難”

　　語音識別系統(tǒng)的分類有三種依據(jù)：詞匯量大小，對說話人說話方式的要求（分為孤立詞語音識別和連續(xù)語音識別）和對說話人的依賴程度（分為特定人和非特定人語音識別系統(tǒng)）。語音識別技術(shù)的發(fā)展歷史就是從簡單到復雜，逐一攻克“老三樣”指標的過程。

　　最簡單的小詞匯量、孤立詞、特定人語音識別技術(shù)在20世紀70年代就已經(jīng)非常成熟。盡管有一定的難度，目前在實驗室環(huán)境下“老三難”均能達到最高標準，也就是聽寫機。微軟稱嵌入到Office軟件中的聽寫系統(tǒng)能在標準北京口音輸入的情況下，首次識別率達到93%，調(diào)試之后達到96%，并且新的技術(shù)正在使識別率不斷上升。

　　技術(shù)的價值在于它服務(wù)于應(yīng)用。雖然在實驗室擁有如此高的識別率，在語音識別技術(shù)從各個不同的突破口進行應(yīng)用和產(chǎn)業(yè)化的過程中，“新三難”凸現(xiàn)出來，成為研究重點。

　　首先，方言或口音會降低語音識別率，而對于擁有八大方言區(qū)的中文來說，應(yīng)用的難度會更大。清華大學計算機系語音技術(shù)中心副教授，同時也是北京得意音通技術(shù)有限公司董事長兼總裁的鄭方博士就正在跟蹤解決這一問題。今年，在美國約翰霍普金斯大學召開的每年一度的語音技術(shù)研討會上，鄭方博士提了一個關(guān)于方言和口音問題的提案，題目定為“Dialectal Chinese（帶方言的普通話）”。題目本身的重要性使它在全球十幾家提案中勝出，并成為最終被選定的三四家之一。鄭方博士說，“Mandarin Influenced by Native Dialect（受母語口音影響的普通話）”將有可能成為一個需要四五年時間完成的大項目。

　　“新三難”問題之二是背景噪音。人多的公共場所巨大的噪音對語音識別影響自不用說，就算在實驗室環(huán)境下，敲擊鍵盤、挪動麥克風都會成為背景噪音。它將破壞原始語音的頻譜，或者把原始語音部分或全部掩蓋掉，造成識別率下降。實際應(yīng)用中，噪音是無法避免的。研究將要解決的問題就是如何把原始語音從背景噪音中分離出來，這將會使識別系統(tǒng)具有很強的適應(yīng)性。

　　第三個就是“口語”的問題。它既涉及到自然語言理解，又與聲學有關(guān)。語音識別技術(shù)的最終目的是要讓用戶在“人機對話”的時候，能夠像進行“人人對話”一樣自然。而一旦用戶以跟人交談的方式來進行語音輸入時，口語的語法不規(guī)范和語序不正常的特點會給語義的分析和理解帶來困難。另外，當人們在口語交流時，即便是人的大腦分析認為是非常標準的發(fā)音，在語音識別的時候上卻變到了聲學的角度，隨意發(fā)音帶來的問題是很大的。

　　“新三難”是在語音識別技術(shù)的應(yīng)用中對識別率影響最大的三個因素。除此以外，由于語音在識別前需要傳輸，識別系統(tǒng)還需要適應(yīng)不同類型的傳輸信道。語音識別技術(shù)本身還有很大的發(fā)展空間。

　　第二次浪潮還有多遠?

　　多年的研究使國內(nèi)中文語音識別的核心技術(shù)與國際的差別不大，并且從去年開始，中文語音識別技術(shù)的應(yīng)用開始大量涌現(xiàn)，產(chǎn)業(yè)化進程從此拉開序幕。鄧永強把語音識別產(chǎn)業(yè)的現(xiàn)狀比作1995年時期的互聯(lián)網(wǎng)，“樹在長大，有綠葉了，還在等開花結(jié)果”。他認為，中文語音識別產(chǎn)業(yè)經(jīng)過了1998、1999年的轉(zhuǎn)折點—從0變成了1，將會在明年出現(xiàn)新的轉(zhuǎn)折點，形成新的發(fā)展高峰。那么，中文能否給語音識別帶來第二次浪潮？

　　又一次浪潮的出現(xiàn)，必須建立在成型的市場之上。今年3月，HarrisInteractive公司受美國的專業(yè)語音技術(shù)公司Nuance委托對美國普通公民進行了語音技術(shù)滿意度的調(diào)查。調(diào)查結(jié)果是：語音技術(shù)已被廣泛的接受和使用；用戶對他們曾經(jīng)使用的語音技術(shù)有著高度評價；語音比起其它的交互方式有更多的優(yōu)勢�？梢�，語音技術(shù)在美國的普通公民中有著相當高的接受程度。在這樣的基礎(chǔ)之上，美國語音識別市場逐漸做大，已經(jīng)形成了競爭的格局。

　　而國內(nèi)在技術(shù)的應(yīng)用上起步較晚，導致了現(xiàn)在國內(nèi)用戶感到新鮮的語音產(chǎn)品在國外已有了好幾年的應(yīng)用。早在1997年就進入中國語音識別市場的IBM，已經(jīng)花費大量資金培育市場，讓大家知道了什么是語音技術(shù)。或許正是因為如此，在市場推廣方面較為薄弱的國內(nèi)廠商并不排斥具有強大實力的國際大公司。北京中科模識科技有限公司總裁徐波博士認為，“目前與IBM和微軟這樣的巨頭之間并不是競爭的局面。如果他們在技術(shù)上取得突破并形成產(chǎn)品，或者把語音識別嵌入到他們自己的強勢產(chǎn)品中去，也不一定是壞事。這樣，將會有更多的人接受語音識別技術(shù)，市場規(guī)模會更大。”

　　鄭方博士表示，“關(guān)鍵的問題是如何把現(xiàn)有的技術(shù)應(yīng)用到實際中去；如何從市場上獲得更多的反饋以提升技術(shù)，再把新的技術(shù)切入到產(chǎn)品中，不斷的尋找新的結(jié)合點�！毖芯吭鯓痈a(chǎn)業(yè)結(jié)合是一個永恒的話題。語音識別形成產(chǎn)業(yè)并向前發(fā)展不可否認，而能否在明年迎來新的高峰就要看國內(nèi)廠商如何的應(yīng)用技術(shù)了。業(yè)內(nèi)人士都認為，國內(nèi)的廠商要互相取長補短，一起“拱”出中國的語音識別市場，單單靠一家公司是辦不到的。
　　
　　高峰之后

　　如果這一次語音識別的發(fā)展高峰形成了，它的主要特點將是語音識別技術(shù)在不同應(yīng)用領(lǐng)域的突破，并逐漸大面積普及。高峰之后的持續(xù)發(fā)展是各個廠商都必須考慮的問題。20世紀90年代末語音技術(shù)在到達一定的發(fā)展程度后出現(xiàn)回落的根本原因，就是當時的技術(shù)水平?jīng)]有與人們對語音識別的期望匹配。如今，一方面能夠應(yīng)用在某些領(lǐng)域的技術(shù)已經(jīng)成熟，例如以中國科學院自動化研究所模式識別國家重點實驗室為依托的中科模識，其漢語連續(xù)語音、非特定人聽寫機系統(tǒng)的普通話系統(tǒng)的錯誤率可以控制在10%以內(nèi)，代表了世界領(lǐng)先水平。擁有核心技術(shù)，成為國內(nèi)企業(yè)穩(wěn)步發(fā)展的底氣來源。

　　另一方面，國內(nèi)的廠商更加重視把現(xiàn)有水平的技術(shù)應(yīng)用到實際產(chǎn)品中，而不是等待技術(shù)的各個方面都完美了才投放市場。例如得意音通利用姓名撥號的自動總機，就是基于小詞匯量的語音識別。雖然處理的對象是連續(xù)語音，但并不追求對整句的識別和理解，而是采用“關(guān)鍵詞檢出”技術(shù)，在輸入的連續(xù)語音中捕捉感興趣的部分對其進行匹配，從而達到識別的目的。不論這一方式是否師從于國外公司，技術(shù)研發(fā)與應(yīng)用階段性的交替進行，避免了市場對技術(shù)的過高期待，也就壓制了泡沫的產(chǎn)生。

　　一向具有前瞻性的重量級IT公司在迎合中國這次語音識別市場發(fā)展機會之時，又一次流露出了對市場發(fā)展高峰之后充分準備，也讓人們看到了在可能出現(xiàn)的“第二次浪潮”后的遠景。20世紀50年代就開始語音識別技術(shù)研究的IBM 不斷推出新的ViaVoice版本，把語音技術(shù)應(yīng)用到PDA、智能汽車上。它也提供語音開發(fā)工具SDK，希望締造一個全方位的語音平臺。然而，不論中國語音識別第二次浪潮會怎樣來臨，語音識別產(chǎn)品本身會給IBM帶來利益是毫無疑問的。在最近的“IBM亞太區(qū)電子商務(wù)解決方案亞洲巡展中國站”北京研討會上，IBM還現(xiàn)場演示了如何利用語音識別來控制家電設(shè)備。

　　微軟也已經(jīng)把語音識別技術(shù)集成到了多個領(lǐng)軍產(chǎn)品中，包括Office和Windows XP，其最新的語音識別服務(wù)器軟件Speech Server準備在2004年上半年發(fā)布。該軟件允許用戶使用語音命令對電腦進行操作，企業(yè)也可以利用它建立一種類似于自動電話系統(tǒng)的服務(wù)。對于語音識別技術(shù)，微軟把希望寄托于1998年成立的微軟亞洲研究院，大力投入到語音開發(fā)工具的研究和全力支持SALT規(guī)范（語音應(yīng)用語言標記標準，可能與之前的語音可擴展標記語言VoiceXML形成對立狀態(tài)）上。

　　微軟當然看到了中國語音識別市場快速發(fā)展，但它的眼光更遠的放在了這一次技術(shù)應(yīng)用的高峰之后。微軟亞洲研究院語音組主任研究員張益肇博士說，“語音技術(shù)將會無處不在，隨處都會有語音平臺的用武之地，此項技術(shù)是微軟亞洲研究院的重心之一。微軟在醞釀?wù)Z音技術(shù)更長遠的應(yīng)用，五年、十五年，或許更長時間—技術(shù)成熟度是決定因素。”微軟眼中，真正的高峰在于語音識別技術(shù)使用戶以最自然方式操作電腦—這就是比爾·蓋茨提出的Natural Computing。

互聯(lián)網(wǎng)周刊


相關(guān)鏈接:
《華爾街日報》：讓語音識別軟件解放你的手 2003-09-07
綜述：得意音通到底是什么企業(yè) 2003-08-27
語音應(yīng)用客戶滿意度調(diào)研 2003-07-29
Nuance Voice Platform - NVP 2.0語音平臺 2003-07-22
德國“帶耳朵芯片”走進生活 2003-07-14

分類信息:     文摘   技術(shù)_語音識別_文摘