劉喜喜 2008/03/17

　　當(dāng)“語音識別（ASR）五年內(nèi)將取代鍵盤”被比爾·蓋茨在多個(gè)場合再三強(qiáng)調(diào)，語音識別勢必成為業(yè)界關(guān)注的焦點(diǎn)。但語音識別何時(shí)才能走近消費(fèi)者？科學(xué)家正在攻克什么難關(guān)？語音識別真會取代鼠標(biāo)和鍵盤嗎？
　　從孤立詞到大詞匯量連續(xù)語音的識別（LVCSR），再到語音庫檢索，語音識別技術(shù)一直在向前發(fā)展，只是語音識別似乎離我們還有些遙遠(yuǎn)�！敖窈�5年內(nèi)，互聯(lián)網(wǎng)搜索將更多地通過語音來完成�！�2月23日，比爾·蓋茨在美國卡內(nèi)基-梅隆大學(xué)發(fā)表演講說道， 這已數(shù)不清是他第幾次在公開場合提及語音識別了。
　　語音識別將會取代鼠標(biāo)和鍵盤嗎？面對記者拋出的問題，幾乎所有被訪問者都有一個(gè)共識：語音識別將會給用戶提供多一種的輸入方式，但現(xiàn)階段不可能完全替代鼠標(biāo)和鍵盤。不過談及語音識別進(jìn)展為何比較慢時(shí)，各路專家卻是見仁見智：標(biāo)準(zhǔn)的差別、噪聲的困擾、嵌入式芯片計(jì)算量的脫節(jié)、產(chǎn)品化的難題一一被擺到臺面上來。
標(biāo)準(zhǔn)輸入的難題
　　不要小看鼠標(biāo)和鍵盤，雖貌似技術(shù)含量低，但它所具備的統(tǒng)一的輸入標(biāo)準(zhǔn)和精準(zhǔn)的視覺反饋這兩點(diǎn)，正是語音識別技術(shù)目前的短板。
　　當(dāng)南方人把“牛奶”念成“留來”的時(shí)候，究竟是機(jī)器識別錯了，還是人錯了？微軟中國研發(fā)集團(tuán)下屬微軟亞洲研究院語音識別組組長宋言哥平提出這樣一個(gè)問題。不要小看這個(gè)問題，語言輸入不標(biāo)準(zhǔn)從而導(dǎo)致識別錯誤率高過鍵盤，是語音識別無法取代鼠標(biāo)鍵盤的首要原因。
　　事實(shí)上，不僅是南北口音差異，每個(gè)人都有獨(dú)有的發(fā)音習(xí)慣。因此在Vista中，每個(gè)用戶在用語音控制電腦前，都需要以自己的語音，對電腦進(jìn)行適應(yīng)訓(xùn)練，使其習(xí)慣自己的發(fā)音，識別出正確的指令。在2006年的一次公開示范中，Vista語音識別系統(tǒng)認(rèn)“Mom”為“Aunt”，并100%誤讀了演示員工的意思，使業(yè)界嘩然。對這個(gè)“認(rèn)母為姨”的錯誤，宋言哥平做出這樣的解釋：“演示組里每個(gè)員工都有自己的適應(yīng)模型，正是演示人員張三慌忙中誤使用了李四的身份和模型，才導(dǎo)致了這樣的錯誤�！边@從一個(gè)側(cè)面也可以反映出語音輸入不易規(guī)范的弊病。
　　除去口音參差不齊，安徽科大訊飛研究院副院長胡郁認(rèn)為，輸入設(shè)備沒有統(tǒng)一標(biāo)準(zhǔn)也導(dǎo)致了語音輸入的不標(biāo)準(zhǔn)：“在語音識別狀態(tài)下，麥克風(fēng)錄音不是給人聽，而是給機(jī)器聽。而現(xiàn)在很多嵌入式設(shè)備上的麥克風(fēng)的錄音質(zhì)量是以人可以聽懂為依據(jù)的。但在什么標(biāo)準(zhǔn)范圍內(nèi)，機(jī)器才能聽清聽懂，目前還沒有統(tǒng)一標(biāo)準(zhǔn)�！贝送猓�面對“取C盤的某個(gè)文件”這樣一個(gè)指令，鼠標(biāo)需要層層點(diǎn)擊，但語音識別只需要一句話，當(dāng)然方便。但當(dāng)遇到“點(diǎn)擊這張圖片上的某一點(diǎn)”這樣的命令時(shí)呢？電腦將很難聽懂和判斷這句話的精準(zhǔn)目的，而鼠標(biāo)卻可輕易辦到。
噪聲的困擾
　　語音輸入很難規(guī)范，從某種程度上說是人為因素造成的，但噪聲卻是一種不可抗力。宋言哥平與胡郁均表示，噪聲環(huán)境的處理是目前語音識別領(lǐng)域公認(rèn)的技術(shù)難題。“這很好理解，機(jī)器無法像人那樣分辨出人聲和噪聲�！彼窝愿缙浇忉尩�，“同時(shí)，不同場景有不同噪聲，訓(xùn)練的情況也不能匹配真實(shí)環(huán)境，這使語音識別在噪聲中比在安靜的環(huán)境下難得多�！�
　　目前，主流的技術(shù)思考方向是，研究出盡可能好的算法，使誤差降到最低：在前端，在已混入噪聲的語音中，提取一個(gè)抗噪性高的語音特征；在語音訓(xùn)練的時(shí)候，利用“最小識別錯誤訓(xùn)練方法”，結(jié)合噪聲處理算法訓(xùn)練出一個(gè)語音模型，使識別系統(tǒng)在噪聲環(huán)境里的魯棒性比較高；在語音解碼的過程中進(jìn)行多重選擇，憑借放入解碼機(jī)制的信息，判斷第一順位的答案是否正確，如不正確可以看看第二、三順位的方法。這些方法都可為提高語音識別在噪聲環(huán)境中使用的精準(zhǔn)性而服務(wù)。
　　完全消除噪聲的干擾從理論上說是可能的——只要算法足夠復(fù)雜和龐大。但是運(yùn)算量的龐大勢必造成兩個(gè)問題：芯片存儲量有限和“萬靈模板”問題。
要不要等待芯片
　　之前，有科學(xué)家提出“2010年將是語音識別市場爆發(fā)之年”。其實(shí)，這是建立在算法成熟的基礎(chǔ)上來預(yù)測的。北京拓源信息咨詢有限公司的總經(jīng)理鄭院生一直關(guān)注語音識別以及其他人工智能技術(shù)的應(yīng)用問題，他認(rèn)為：“從算法和計(jì)算過程的角度看，語音識別其實(shí)是一個(gè)人工智能的問題，如果芯片的運(yùn)算速度足夠快，很多語音識別的技術(shù)難題就可以迎刃而解�！�
　　但在現(xiàn)實(shí)中，語音識別在產(chǎn)品轉(zhuǎn)換中遇到了問題，大多運(yùn)用語音識別技術(shù)的設(shè)備都是嵌入式設(shè)備，比如手機(jī)、導(dǎo)航儀、學(xué)習(xí)機(jī)等。“芯片運(yùn)算量、存儲量和消費(fèi)比的問題沒有得到解決。假使嵌入式芯片能像臺式機(jī)的芯片一樣厲害（目前只和1997年的臺式機(jī)一樣），那就解決大問題了�！焙�郁告訴記者，“手機(jī)用戶目前只能語音查號碼，這是因?yàn)槭謾C(jī)芯片不夠強(qiáng)大。汽車電腦也達(dá)不到臺式機(jī)的水平。”
　　“摩爾定律仍舊有效，芯片基礎(chǔ)架構(gòu)和運(yùn)算能力的代際演進(jìn)，將為語音識別技術(shù)的不斷成熟提供越來越可靠的物理平臺�！编嵲荷鷮φZ音識別的未來保持很大的樂觀�！白鳛榧夹g(shù)研究者，我們要么就是提前研究，要么就是坐等芯片運(yùn)算量上來了再研究�！彼窝愿缙秸J(rèn)為，技術(shù)一定是跑在市場前頭的。
“松緊帶”怪圈
　　科學(xué)家大多是完美主義者，都想設(shè)計(jì)一個(gè)像松緊帶一樣的萬靈模板的通用產(chǎn)品，粗腰細(xì)腰都能穿�！暗�事實(shí)上，按照說話人量身打造的東西才是最好的，可這樣做工本又太高了�！彼窝愿缙秸J(rèn)為，做好語音識別通用產(chǎn)品，針對不同場景做細(xì)微調(diào)整之間的權(quán)衡很重要。
　　此前IBM推出的Via Voice憑借當(dāng)時(shí)堪稱完美的技術(shù)轟動一時(shí)，但用戶卻并不買賬，很多軟件被束之高閣�！拔艺J(rèn)為包括Vista在內(nèi)的語音識別產(chǎn)品，在人機(jī)界面的人性化設(shè)計(jì)上仍不夠完美自然，這大大降低了用戶的接受度�！彼窝愿缙奖硎�。好的人機(jī)界面可在用戶說錯而渾然不知時(shí)，使計(jì)算機(jī)不被干擾，識別如常。
　　胡郁則認(rèn)為，目標(biāo)定位不正確（直接采用口述的方式輸入需要不斷思考文本內(nèi)容）是Via voice叫好不叫座的主要原因。而從國內(nèi)外成功的語音識別產(chǎn)品來看，符合用戶需求確實(shí)非常重要。在國內(nèi)，語音點(diǎn)歌（有些運(yùn)營商稱之為聲動炫鈴）十分受歡迎，其實(shí)就是孤立詞搜索的一種應(yīng)用。微軟去年年初的時(shí)候，用8億美元收購了一家做電話語音尋址的公司TellMe，從一定程度上說明微軟認(rèn)為語音識別技術(shù)在PC操作之外更有發(fā)展前景，比如在手機(jī)、client-server 的呼叫中心、電話、汽車、智能家電上。
　　此外，人機(jī)交互界面只是語音識別的一個(gè)用途，另一個(gè)用途則是多媒體的業(yè)務(wù)管理。比如blinkx網(wǎng)站，它把每段視頻中對應(yīng)的語音部分都靠語音識別技術(shù)轉(zhuǎn)換成文字（雖然不一定完全正確），這樣就可以通過輸入文字來協(xié)助搜索視頻內(nèi)容。美國最大的語音技術(shù)提供廠商N(yùn)uance就擁有一個(gè)賺錢的成功業(yè)務(wù)——幫助美國醫(yī)生寫醫(yī)囑。這完全依靠大詞匯量連續(xù)語音識別技術(shù)（LVCSR）來識別醫(yī)生的口頭醫(yī)囑。
　　如此看來，只要找到一個(gè)好的切入點(diǎn)，國內(nèi)企業(yè)也可以做得很好。胡郁甚至隨即開始構(gòu)想如何為記者圈服務(wù)了：采訪累計(jì)下來的歷史錄音，可以借鑒前面Nuance公司的想法轉(zhuǎn)寫出來，從而幫助記者更有效地整理和利用錄音數(shù)據(jù)，而這只需要很少的費(fèi)用。
　　我想，當(dāng)很多人愿意為此掏腰包時(shí)，語音識別離平民的世界也將不再遙遠(yuǎn)。

計(jì)算機(jī)世界網(wǎng)(www.ccw.com.cn)