“也許不需要那么長，”美國喬治亞理工學院的電子計算機工程系教授Fred Juang說，“下一代的語音識別機可能在五到十年內(nèi)成為現(xiàn)實�！盝uang教授是語音識別研究領(lǐng)域的專家，他曾參與自動電話接線語音識別技術(shù)的開發(fā)�，F(xiàn)在這一技術(shù)已經(jīng)廣泛的用于各行業(yè)。
　　他在正在西雅圖召開的美國科學促進協(xié)會(AAAS)的年會上說，為了制造出能夠真正和人自然交流的機器來，需要對現(xiàn)在的語音識別技術(shù)所依賴的理論進行根本的改造。
　　現(xiàn)在的語音識別技術(shù)基本上是由機器對人的語音進行信號處理，然后將其與預先設(shè)計的文字數(shù)據(jù)庫進行比對，將與收到的語音信號最相匹配的文字挑選出來，然后按照預先設(shè)定的一些語法規(guī)則排列，從而實現(xiàn)從語音到文字的轉(zhuǎn)變。如果得到的文本和人原來表達的意思相同或相近，那么，我們就可以說，機器完成了語音識別。完成這一過程的主要數(shù)學基礎(chǔ)就是一種叫做隱含馬爾可夫模型的算法。
　　研究者們發(fā)現(xiàn)，基于這種算法的語音識別技術(shù)對于一些簡單的人機對話能夠達到不錯的效果，但對于達到自如的相互交談來說還遠遠不夠。通常來說，對于設(shè)定的場景，設(shè)定主題的對話，語音識別機會有比較好的表現(xiàn)效果。例如，定票服務(wù)，電話接駁，聽寫等等。實際上，語音識別技術(shù)在這些方面的應(yīng)用已經(jīng)日漸廣泛。特別是隨著移動通信的發(fā)展，諸如語音撥號，語音郵件已經(jīng)開始或者將要開始進入應(yīng)用領(lǐng)域。但是，困擾語音識別多年的根本性問題仍然沒有得到解決。華盛頓大學的瑪麗·奧斯騰多夫說道。一個重要的方面是，目前的人機交流仍然出于一種非自然的，非談話的狀態(tài)�！拔覀儠�時刻注意到，我們是在和機器，而不是和人在說話，”她說。簡而言之，你無法期待它完全像人一樣反應(yīng)。一旦你想要和它聊天一樣說話，它就無法應(yīng)對了。
　　人講話中經(jīng)常出現(xiàn)的停頓，重復，發(fā)音不清，“嗯”，“啊”，等等，對機器來說無異于一場惡夢。再考慮到方言，口音的影響，語音識別機的出錯率往往讓任何一個使用者喪失信心。
　　另一方面的挑戰(zhàn)是，人講話往往并非在非常安靜的環(huán)境，外界環(huán)境的噪聲，其他人的插話，等等，會極大影響語音識別的準確性。正是由于這種環(huán)境對聲音的扭曲和人類交談的隨意性的特點，使得語音識別準確率的提高困難重重。
　　科學家們嘗試了各種辦法，包括設(shè)計各種新算法，改進受話麥克風的設(shè)計，以及開發(fā)具有學習和糾錯能力的識別機，等等。試驗已經(jīng)證明，通過改進受話麥克風的設(shè)計，可以比較明顯的“過濾”噪音，提高識別的質(zhì)量。但這還遠遠不夠。而開發(fā)具有學習和糾錯能力的識別機還處于起步階段。而另外一種，更加前沿的探索則是，使語音識別機具有人類的“常識”。通過賦予機器人類語言的語義學知識，語法知識，模擬人識別語音的過程，從而企望達到更好的識別率和更自然的交流。
　　Juang所說的下一代語音識別機正是這一前沿探索之一。
　　他說，當人們在交談時，往往對某些指稱的內(nèi)容已經(jīng)有了共識。例如，如果一群電子工程師在交談時，他們可能會使用“它”來指代剛剛談到的歐姆定律。但對機器來說，卻完全不知道它指稱為何，更不用說理解其真正含義了。“如果每一次討論時都需要對其進行指定的話，交流就會變得極其笨拙了�！彼�說�！澳軌蚶斫馍舷挛闹械闹阜Q對自然語言交流來說是關(guān)鍵的。如果機器能作到這點，就能夠和人自然的交流了。”他設(shè)想一套框架，由一些所謂的“信息探測器”組成，旨在收集，分析話音中的“意思”，而非簡單的字詞。這種識別機將能夠自己學習，能夠像人一樣，在沒聽懂時說：“我沒聽懂”。要求進一步說明。
　　而要實現(xiàn)這一設(shè)想，Juang認為需要研究新的，超越隱含馬爾可夫模型的算法。而實際上，包括他在內(nèi)的世界各國的不少研究者正在這方面努力�！拔覀冋�處在發(fā)展新模式的起步階段，可以說，我們已經(jīng)有了所需框架的百分之六十了。其它的一些問題并不是不可解決，”Juang說。
　　也許。
　　但剩下的百分四十的部分也許不像看起來的那么簡單。語音技術(shù)發(fā)展的經(jīng)驗似乎表明，每當研究者前進一步，離最終的目標似乎就“似近實遠”。我們對基本問題——例如人的語音識別過程——的了解越深入，讓我們感到困惑無力的地方似乎也越多。Juang和許多的同行是樂觀派，不過可能也有同樣數(shù)量的其它研究者沒有這么樂觀.“也許，在我們真正了解人自身識別語言的全部秘密之前，我們只能接受不那么像人的機器語音識別�！蔽④浹芯吭旱陌⑷�羅說.

新浪科技(tech.sina.com.cn)