語音門戶——用語言“改變”世界

2001/03/23

從古老的“芝麻開門”傳說開始，人類就一直幻想著用語言去征服和改造自然。伴隨新技術(shù)的不斷發(fā)展，人類的這一夢想正在逐步實(shí)現(xiàn)。誰能預(yù)知中文語音識別技術(shù)究竟能給我們帶來什么樣的應(yīng)用前景？技術(shù)與應(yīng)用又將是怎樣的一種互動關(guān)系呢？

對話者：

主 持 人：王向東 《計(jì)算機(jī)世界》報(bào)記者

IT 廠 商：沈鱇騏 言豐科技有限公司(中國區(qū))總經(jīng)理

用 戶： 黃富清 北京京信北斗信息服務(wù)中心262信息臺總經(jīng)理

對話主題：中文語音識別技術(shù)的應(yīng)用將帶來什么樣的商機(jī)?

主持人：昨天，人類對技術(shù)孜孜不倦的追求，總能不斷帶動應(yīng)用的腳步。今天，語音識別技術(shù)的商業(yè)應(yīng)用正在引起人們的廣泛關(guān)注，因?yàn)樗鼘⒁粤钊穗y以置信的擴(kuò)張力量改變我們的工作和生活。語音識別技術(shù)已發(fā)展到何種階段?它未來的應(yīng)用目標(biāo)是什么?

人機(jī)交互突破瓶頸

主持人：新技術(shù)轉(zhuǎn)化為生產(chǎn)力的核心是應(yīng)用，而同樣的技術(shù)未必能得到同樣的應(yīng)用效果。比如說電腦，中國人使起來就是不如美國人方便，輸入方式是最大的瓶頸。從五筆字型到漢王手寫輸入，再到最近的筆輸入，都是在努力讓中國人實(shí)現(xiàn)同電腦更方便地交流。當(dāng)然，還有一種技術(shù)可以使不同國家的人同電腦保持同樣的距離，這就是語音識別技術(shù)。只有通過這項(xiàng)技術(shù)人們才能同樣享受到電腦科技的無窮魅力。包括IBM、飛利浦等一些知名企業(yè)都在不斷挑戰(zhàn)語音識別技術(shù)這一難題。言豐科技是否也屬于這支隊(duì)伍中的一員？從應(yīng)用的角度去看問題，語音識別技術(shù)要攻克的瓶頸是什么？

沈鱇騏：從技術(shù)的角度來看，目前語音識別技術(shù)有三個研究發(fā)展方向，即電腦、電話和手機(jī)三個不同的應(yīng)用領(lǐng)域。第一個是電腦的語音錄入應(yīng)用，就是電腦能夠把人們所說的話記錄下來，解決文字輸入的問題；第二個是電話的語音識別應(yīng)用，就是借助通信平臺實(shí)現(xiàn)語音技術(shù)的更廣泛應(yīng)用；第三個是手機(jī)的語音識別應(yīng)用，就是嵌入式的語音識別技術(shù)，實(shí)現(xiàn)手機(jī)、尋呼機(jī)在移動通信中的語音識別應(yīng)用。我個人認(rèn)為，五到十年以后，上述三個方向?qū)叩揭黄饋怼?

目前，IBM主要是在第一項(xiàng)電腦語音錄入方面取得了重大的突破，而言豐科技所研究的領(lǐng)域主要是在第二項(xiàng)，如何通過通信平臺實(shí)現(xiàn)語音識別技術(shù)的廣泛商業(yè)應(yīng)用。這兩者在技術(shù)領(lǐng)域和應(yīng)用領(lǐng)域都有著較大的差別：首先是語音信號的采集方式不同。電腦錄入對語音質(zhì)量的要求比較嚴(yán)格，而電話采集的語音質(zhì)量就比較差；其次是自然語言和非自然語言的區(qū)別，電腦錄入使用的是非自然語言，需要對電腦進(jìn)行特殊的培訓(xùn)才能使用。而電話是自然語言，因?yàn)槟銦o法預(yù)知是誰打來的電話，是男是女、是何種口音；第三個不同在于字庫量，電腦錄入的難度是詞匯量非常巨大，要盡可能包容任何可能出現(xiàn)的詞匯，這也是電腦錄入在技術(shù)上的難題。而基于通信平臺的語音識別應(yīng)用是有一定范圍的，它所涉及的詞匯量是可以控制的。由此可以看出，兩種語音識別技術(shù)將在不同的應(yīng)用方面發(fā)揮不同的作用。

言豐科技研發(fā)的語音識別技術(shù)所要達(dá)到的應(yīng)用目標(biāo)是：通過自然的語言交流，實(shí)現(xiàn)人機(jī)交互式的對話形式，使電腦能理解我們的語言，并按照我們的指示去工作。這一目標(biāo)的實(shí)現(xiàn)將會給人類的工作和生活帶來質(zhì)的變化，同時將產(chǎn)生巨大的商業(yè)價值。因此，今天基于通信平臺的語音識別技術(shù)的商業(yè)應(yīng)用已為眾多的企業(yè)所關(guān)注。那么為什么語音識別技術(shù)應(yīng)用會突然熱起來呢？我認(rèn)為是技術(shù)的發(fā)展在一定階段時打破了應(yīng)用的瓶頸，從而帶來了應(yīng)用的進(jìn)步。因?yàn)檎Z音識別是一項(xiàng)難度很大的技術(shù)，里面的算法非常復(fù)雜，對CPU的要求也非常高，過去應(yīng)用的條件不具備。而近兩年CPU發(fā)展很快，而語音識別中的算法也日益精湛，兩者有機(jī)地集成在一起后，應(yīng)用的條件就日趨成熟�？梢灶A(yù)見，隨著技術(shù)的快速發(fā)展，再過10～20年的時間，我們將可以做到非常自然的人機(jī)交互式對話。

技術(shù)應(yīng)用互為依存

主持人：技術(shù)和應(yīng)用是一對矛盾，他們互為瓶頸、互為動力，語音識別技術(shù)也應(yīng)體現(xiàn)這一客觀規(guī)律。具體在實(shí)際發(fā)展中，語音識別技術(shù)與應(yīng)用是如何相互作用的？

黃富清：我們在實(shí)踐中對技術(shù)與應(yīng)用的體會還是很深的。因?yàn)槲覀冮_辦的信息臺屬于高科技類的經(jīng)營模式，這決定了它必須采用比較先進(jìn)的網(wǎng)絡(luò)技術(shù)和語音識別技術(shù)，才能夠?yàn)橛脩籼峁└哔|(zhì)量的服務(wù)。262信息臺也正是通過積極采用新技術(shù)提供新服務(wù)，從而獲得了可觀的經(jīng)濟(jì)效益。比如說，信息臺的起步就是建立在20世紀(jì)90年代應(yīng)用先進(jìn)的語音卡技術(shù)的基礎(chǔ)上，通過這塊語音卡開發(fā)出了多種語音服務(wù)系統(tǒng)，從而提供了無人值守電話、股票信息自動查詢系統(tǒng)、電話自動點(diǎn)歌系統(tǒng)等多項(xiàng)服務(wù)。那時候買一塊語音卡要花4萬多元，加上軟件開發(fā)費(fèi)總共需要11萬多元。但是我們幾天就能掙回來，因?yàn)榇螂娫挷樵兊娜颂貏e多。當(dāng)時股票炒得火，電話查詢又非常方便，滿足了廣大股民的實(shí)際需求。

正是新技術(shù)給我們帶來了應(yīng)用的提高和實(shí)際的收益，但同時技術(shù)的瓶頸又成為應(yīng)用進(jìn)一步發(fā)展的攔路石。由于語音技術(shù)幾年沒有進(jìn)一步發(fā)展，信息臺的業(yè)務(wù)也因技術(shù)的限制而無法跳躍性地向前發(fā)展。舉例而言，用戶今天要通過信息臺查詢股票行情，需要在電話上操作很多鍵，要通過幾層、十幾層甚至幾十層，才能找到自己想要的東西。用戶要想查詢某支股票，首先要選擇按鍵1（上海）和按鍵2（深圳），其次要查詢多少號的股票，第三再查詢1（總指數(shù)）、2（收盤價）、3（現(xiàn)在價）等等。

這種查詢方式非常繁鎖，很不方便，用戶多數(shù)是查到第四層就不愿再繼續(xù)往下聽了。有的用戶聽著聽著就糊涂了，或者是聽了半天也沒有找到自己想要的東西。用戶普遍對這種水平的服務(wù)越來越不滿意。現(xiàn)在移動局的手機(jī)短信息服務(wù)也遇到這個問題，用戶發(fā)了半天最后按錯了，就得重來，可是費(fèi)用還要照交，用戶對此非常有意見。

這里面就涉及了技術(shù)與應(yīng)用的關(guān)系問題，用戶進(jìn)入了信息查詢系統(tǒng)就應(yīng)該交費(fèi)了，可是用戶又沒能得到自己真正想要的服務(wù)。這就是因?yàn)榧夹g(shù)不完善，不能滿足今天用戶的需求，如果技術(shù)不能向前發(fā)展，應(yīng)用水平不能進(jìn)一步提高，原有的低水平服務(wù)將逐步被用戶所淘汰。所以，我們對任何能帶來新應(yīng)用的新技術(shù)都非常關(guān)注，只要它能提高我們原有的服務(wù)水平，我們就會積極地應(yīng)用它�，F(xiàn)在光靠改善服務(wù)態(tài)度是不能從根本上提高服務(wù)質(zhì)量，只有在技術(shù)上有新的突破。

沈鱇騏：的確如此，技術(shù)與應(yīng)用是密不可分的關(guān)系。言豐科技所推動的基于通信平臺的語音識別技術(shù)，已超越了電話按鍵層層查詢的應(yīng)用時代，已可以做到通過電話與電腦交談。比如說我想查今天的股價，電腦已經(jīng)可以根據(jù)你的語音提示，自動找尋并報(bào)出股價給你聽，電腦的語言識別系統(tǒng)已可以理解用戶要查詢的內(nèi)容。這里面包含著一個關(guān)鍵的自動化技術(shù)，使電腦可以從數(shù)據(jù)庫里找出你所需要的東西，在一定范圍里，我們已能夠做到人機(jī)交流了。這就為下一步推動商業(yè)應(yīng)用奠定了更堅(jiān)實(shí)的技術(shù)基礎(chǔ)。

我們現(xiàn)有的語音識別系統(tǒng)還有一定的局限性，還不能自然到像人與人交談一樣。比如說“幫我看一下北京今天的航班情況”，這句話本是很自然的語言，但要從語音識別的角度來看，我們要做出很多改進(jìn)，從硬件到軟件。我們認(rèn)為還需要十年、二十年才能真正達(dá)到人與電腦用自然的語言交談。那么為什么我們今天就把現(xiàn)有語音識別技術(shù)拿出來用呢?是因?yàn)槲覀円芽吹皆诤芏鄳?yīng)用領(lǐng)域，在一定的可控制范圍之內(nèi)，現(xiàn)有的語音識別技術(shù)已足夠推動應(yīng)用水平向前邁進(jìn)一步，它會給用戶帶來效益上的提高。

從目前我們的理解，從語音識別技術(shù)應(yīng)用角度來說，這項(xiàng)技術(shù)還遠(yuǎn)未達(dá)到應(yīng)用的熱潮。我們認(rèn)為真正的熱潮還要一年到兩年時間，一來是需要培育市場，接受新觀念；二來是改善應(yīng)用環(huán)境，包括技術(shù)環(huán)境、市場環(huán)境，無論是電腦平臺還是通信平臺，都有一個逐步淘汰和更新的過程。此外，還有一個語音特征數(shù)據(jù)庫的積累，這個積累過程沒有任何捷徑可走，只有從大量的語音量中提取相同的語音特征，才能真正產(chǎn)生成熟的應(yīng)用。

語音門戶商機(jī)無限

主持人：語音識別技術(shù)在不斷進(jìn)步，這項(xiàng)技術(shù)所帶來的商業(yè)應(yīng)用也將日益廣泛。那么，經(jīng)過未來10年或20年發(fā)展，技術(shù)與應(yīng)用的成熟將會產(chǎn)生什么樣的結(jié)果?語音識別技術(shù)近期可以實(shí)現(xiàn)的應(yīng)用目標(biāo)是什么?

黃富清：作為用戶，我深深地感受到技術(shù)向前發(fā)展一步，就會促進(jìn)生產(chǎn)力向前發(fā)展，而且它的經(jīng)濟(jì)效益可能是成幾十倍往上增長。同樣，我們?nèi)绻捎昧艘粋�好的新技術(shù)，下個月的收入會成倍往上增長。從現(xiàn)實(shí)情況來看，從語音卡到軟件開發(fā)有局限性，一層一層往下分，如果信息量大了，內(nèi)容太多了，服務(wù)就沒法做了。從我的經(jīng)驗(yàn)看，如果技術(shù)應(yīng)用穩(wěn)定在一個水平上，客戶卻不是穩(wěn)定在同一水平上，而是在下降。因?yàn)槟憧倹]有新東西，客戶就會不滿意了，就可能轉(zhuǎn)向一個更新更好的應(yīng)用平臺。

所以，我們?nèi)ツ?月發(fā)現(xiàn)言豐科技的語音識別技術(shù)之后，覺得非常了不起。應(yīng)用言豐的技術(shù)之后，我們就可以打破很多原有的限制，用戶可以比原來更方便地進(jìn)行人機(jī)交流，比原來按鍵方式方便、快捷多了；用戶滿意多了，愛用的人多了，我們的企業(yè)效益也隨之提高了。

沈鱇騏：我個人認(rèn)為，語音識別技術(shù)的發(fā)展是一個環(huán)環(huán)相扣的關(guān)系，由于語音識別技術(shù)所借助的很多基礎(chǔ)性技術(shù)也在不斷發(fā)展、變化，使得語音技術(shù)所要攻克的目標(biāo)也在不斷發(fā)展變化。所以我們把語音識別技術(shù)定位在應(yīng)用技術(shù)，底層的技術(shù)平臺搭得越高，應(yīng)用層次的技術(shù)就開始發(fā)生變化。從用戶的角度來看，你可以通過運(yùn)用語音技術(shù)去進(jìn)行企業(yè)的改造或企業(yè)的服務(wù)，然后再把更好的服務(wù)提供給更廣泛的終端用戶。

如何把電話語音系統(tǒng)跟Internet和商務(wù)結(jié)合起來?電話在全球有1.7億部，應(yīng)用基礎(chǔ)非常廣泛，為此，我們在中國推出了語音門戶平臺新理念，分為電信級的語音門戶平臺和企業(yè)級的語音門戶平臺。目的是通過它為個人、企業(yè)和電信行業(yè)提供更好的語音識別技術(shù)服務(wù)�？梢韵胂褚幌�，當(dāng)某一天您開車上班時，可以用語音控制開關(guān)車門、車?yán)锏囊繇�、手機(jī)；到辦公室后也是用語音指揮收發(fā)電子郵件、收發(fā)傳真、查詢電話錄音、制定工作計(jì)劃、篩選有效信息，以及用語音預(yù)訂機(jī)票、午餐、查詢交易股票等等�？傊�，通過開發(fā)與推動多語種交談式語音識別技術(shù)在最普及的電話及無線電話中的應(yīng)用，可以使有用、準(zhǔn)確、及時的信息在任何時間、任何地點(diǎn)提供給需要它的任何客戶。那時，語音識別技術(shù)將真正幫助人類用語言打開改變世界之門。