當(dāng)語音識別技術(shù)最早開始被應(yīng)用到電腦桌面時，不少人對這項技術(shù)信心十足，認(rèn)為將它全面替代鍵盤和鼠標(biāo)，開啟一個新的交互時代。多年過去了，這一幕始終沒有出現(xiàn)，語音識別技術(shù)始終處于不溫不火的狀態(tài)。而現(xiàn)在，隨著智能手機(jī)的流行，語音識別技術(shù)重新看到了成為主流應(yīng)用的希望。這一次，其應(yīng)用和研發(fā)的推動力明顯不同于電腦領(lǐng)域。
　　在手機(jī)上更有市場
　　語音識別最早出現(xiàn)在20世紀(jì)50年代，進(jìn)入60年代早期，IBM曾研究出一種可以識別16個單詞的設(shè)備，并且能做簡單的算術(shù)運算。到20世紀(jì)80年代美國Dragon Systems公司推出了首個面向PC的語音識別技術(shù)DragonDictate。它只能識別單個單詞，要求一次只讀一個�，F(xiàn)在這個產(chǎn)品還在（屬于Nuance公司），已經(jīng)有了11版，可以識別正常語速的對話。
　　語音識別之所以一直難以在桌面領(lǐng)域流行，有兩個重要限制因素。首先，為了保證識別迅速而且準(zhǔn)確，系統(tǒng)必須接受訓(xùn)練以建立用戶的語音模式，如Vista、Windows 7自帶的語音識別軟件都需要給系統(tǒng)一定的學(xué)習(xí)時間來識別用戶的發(fā)音。第二個因素是鍵盤的流行，大多數(shù)人已經(jīng)習(xí)慣打字而不是說話。
　　而語音識別技術(shù)要流行需要兩個條件：一個是語音識別軟件簡單易用，另一個是某種場合只能說話而使用鍵盤很不方便。而這種場景已經(jīng)出現(xiàn)，并且出現(xiàn)了很長時間，這就是移動電話領(lǐng)域。
　　Nuance產(chǎn)品和市場高級副總裁Matt Revis解釋了桌面和移動環(huán)境的不同：“桌面是一個固定的環(huán)境，桌面環(huán)境中的語音識別技術(shù)主要用于完成辦公軟件、網(wǎng)頁瀏覽、通信移動等應(yīng)用，而移動環(huán)境則完全不同，用戶可能在室外正處于移動狀態(tài)，而且需要免提。”
　　Gartner分析師Tuong Nguyen也認(rèn)為語音識別在移動場景中更有價值:“從使用的角度看，語音識別在手持設(shè)備的價值要大得多。因為它提供了一個用戶友好、直觀的輸入方法，特別是對那些沒有實體鍵盤的觸摸屏手機(jī)而言。”
　　由于移動設(shè)備通常只有較小的存儲空間和比較有限的計算機(jī)能力，所以，語音識別在手機(jī)上的應(yīng)用也經(jīng)歷了一個發(fā)展過程。早期的語音識別應(yīng)用非常簡單，主要用于識別號碼進(jìn)行撥號。當(dāng)今的手機(jī)內(nèi)存已經(jīng)達(dá)到了幾百兆，另外還有GB級別的閃存，對語音識別技術(shù)的限制已經(jīng)很少。語音識別能力提高的另一個條件是網(wǎng)絡(luò)，網(wǎng)絡(luò)帶寬的增加使得我們可以把一些處理放到遠(yuǎn)程服務(wù)器上完成。
　　如今手機(jī)上的語音識別技術(shù)已經(jīng)遠(yuǎn)不止語音撥號。主要包括以下三個方面：
　　聲控：語音撥號就是聲控功能的一種，過去聲控功能只能編輯幾條固定的命令讓手機(jī)完成指定的動作，而現(xiàn)在則要強(qiáng)大得多，而且不用預(yù)先編輯，手機(jī)可以執(zhí)行相應(yīng)的動作。比如，對手機(jī)說“撥12345”或者“給媽媽撥號”等，它就可以完成撥號。
　　語音轉(zhuǎn)文字：iPhone上有一個Dragon Dictation的應(yīng)用程序，使用它用戶可以通過語音記筆記和發(fā)送電子郵件、更新Twitter；黑莓上也有類似功能的應(yīng)用，如Dragon for Email；Android手機(jī)自帶的語音識別軟件可以幫助用戶通過語音發(fā)送短信。
　　翻譯：這項技術(shù)目前還不太成熟，不過也已經(jīng)有了一些應(yīng)用，如iPhone上的Jibbigo就可以翻譯單詞、短語和簡單的句子，讓雙方進(jìn)行簡單的交流。
　　未來發(fā)展方向
　　如果要問一個語音技術(shù)工程師，語音識別技術(shù)的未來會如何發(fā)展，他通常會說：自然語言處理。
　　所謂自然語言處理就是系統(tǒng)能夠理解你的意思，而不只是知道你說的是什么。在這樣的系統(tǒng)中，用戶可以根據(jù)自己習(xí)慣不受約束地表達(dá)自己的意思。
　　不過，要在對話中實現(xiàn)自然語言處理面臨雙重挑戰(zhàn)：首先，你必須識別出說的什么，然后還要理解要表達(dá)什么意思。第一步現(xiàn)在越來越容易，而第二步卻非常困難：人們表達(dá)的意思與上下文環(huán)境高度相關(guān)，即使是人類自身也可能不能正確理解，更何況是電腦。
　　好在隨著手機(jī)功能的豐富將幫助系統(tǒng)理解人們所要表達(dá)的真正含義。語音識別系統(tǒng)可以把用戶所說的話與手機(jī)所感受到的外界環(huán)境等信息結(jié)合起來，從而提供更準(zhǔn)確的結(jié)果。比如，一個用戶正在餐館就餐，他就很可能用到點菜、埋單、預(yù)訂、叫出租車等詞匯。
　　語音識別技術(shù)的另一個應(yīng)用針對某個用戶進(jìn)行專門的定制，這其實有些類似桌面語音識別應(yīng)用的發(fā)音學(xué)習(xí)。例如，最新版的谷歌語音搜索提供一個選項，允許針對用戶自己定制一個語音識別系統(tǒng)。如果用戶選擇了自己的語音識別系統(tǒng)，谷歌就會把這個用戶和他的發(fā)音方式聯(lián)系起來，從而讓谷歌能夠針對這個用戶的發(fā)音建立一個專門的識別模型。
　　語音識別技術(shù)的另一個未來發(fā)展領(lǐng)域是游戲，語音可以大大豐富游戲的娛樂性，比如，直接給宇宙飛船發(fā)命令或者對嫌疑人進(jìn)行審訊。
　　總體而言，到目前為止，對于手機(jī)而言語音識別技術(shù)還是一項錦上添花的技術(shù)。好在這一技術(shù)正在不斷改進(jìn)，為有朝一日的突破奠定基礎(chǔ)，而手機(jī)恰恰為這項技術(shù)的突破提供了一個非常好的舞臺。
　　語音識別技術(shù)的工作原理
　　語音識別技術(shù)的工作原理是利用語言發(fā)音的統(tǒng)計模型，也就是比較輸入語音和該語言的統(tǒng)計模型，設(shè)法找到最接近的匹配單詞。建立某個語言的統(tǒng)計模型需要大量的存儲空間，比如需要存儲該語言所有的基本發(fā)音、所有單詞以及所有單詞之間可能組合在一起的發(fā)音方式，在此之上，還有口音以及因年齡、性別不同而帶來的發(fā)音差異等。
　　以Google的語音搜索（Voice Search）為例，它需要兩個統(tǒng)計模型：聲學(xué)模型、語言模型。聲學(xué)模型是通過提取錄音和說話者錄音的腳本來建立的，而語言模型主要搞清楚哪些單詞最有可能跟在另外一些單詞之后，以提高識別的準(zhǔn)確性。

計世網(wǎng)