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置多年的語音撥號功能？

　　語音技術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。語音識別技術變得如此受歡迎，讓人不得不相信，語音技術將無處不在。
　　然而，事實并非如此。在實際應用中，在實驗室中“成功”的語音識別系統(tǒng)在魯棒性（Robustness）、靈活性和自適應能力上還遠遠不能滿足實際的需要，技術上也顯得力不從心。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水平和應用現(xiàn)狀，難免產(chǎn)生泡沫�！�
　　技術的不成熟，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用，因此，眾人紛紛打起了“半成品技術”的主意，“以現(xiàn)有的技術水平來創(chuàng)造出應用”。以中國市場為例，廠商并沒有去追求最完美的應用—“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)成熟的那部分技術應用到實際的產(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。

　　最簡單的小詞匯量、孤立詞、特定人語音識別技術在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%，調試之后達到96%，并且新的技術正在使識別率不斷上升。
　　技術的價值在于它服務于應用。雖然在實驗室擁有如此高的識別率，在語音識別技術從各個不同的突破口進行應用和產(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，應用的難度會更大。清華大學計算機系語音技術中心副教授，同時也是北京得意音通技術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研討會上，鄭方博士提了一個關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。語音識別技術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”是在語音識別技術的應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)還需要適應不同類型的傳輸信道。語音識別技術本身還有很大的發(fā)展空間。
　　第二次浪潮還有多遠?
　　多年的研究使國內中文語音識別的核心技術與國際的差別不大，并且從去年開始，中文語音識別技術的應用開始大量涌現(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，還在等開花結果”。他認為，中文語音識別產(chǎn)業(yè)經(jīng)過了1998、1999年的轉折點—從0變成了1，將會在明年出現(xiàn)新的轉折點，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)語音技術公司Nuance委托對美國普通公民進行了語音技術滿意度的調查。調查結果是：語音技術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�？梢姡�語音技術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。
　　而國內在技術的應用上起步較晚，導致了現(xiàn)在國內用戶感到新鮮的語音產(chǎn)品在國外已有了好幾年的應用。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�；蛟S正是因為如此，在市場推廣方面較為薄弱的國內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，市場規(guī)模會更大�！�
　　鄭方博士表示，“關鍵的問題是如何把現(xiàn)有的技術應用到實際中去；如何從市場上獲得更多的反饋以提升技術，再把新的技術切入到產(chǎn)品中，不斷的尋找新的結合點�！毖芯吭鯓痈�產(chǎn)業(yè)結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廠商如何的應用技術了。業(yè)內人士都認為，國內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。

　　另一方面，國內的廠商更加重視把現(xiàn)有水平的技術應用到實際產(chǎn)品中，而不是等待技術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“關鍵詞檢出”技術，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，技術研發(fā)與應用階段性的交替進行，避免了市場對技術的過高期待，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研究的IBM 不斷推出新的ViaVoice版本，把語音技術應用到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備。
　　微軟也已經(jīng)把語音識別技術集成到了多個領軍產(chǎn)品中，包括Office和Windows XP，其最新的語音識別服務器軟件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。對于語音識別技術，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應用的高峰之后。微軟亞洲研究院語音組主任研究員張益肇博士說，“語音技術將會無處不在，隨處都會有語音平臺的用武之地，此項技術是微軟亞洲研究院的重心之一。微軟在醞釀語音技術更長遠的應用，五年、十五年，或許更長時間—技術成熟度是決定因素。”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