首頁(yè)>>廠(chǎng)商>>交換機/ACD系統平臺廠(chǎng)商>>IBM>>語(yǔ)音產(chǎn)品ViaVoice

語(yǔ)音識別重在應用

2001/11/14

近兩年CPU的發(fā)展很快，語(yǔ)音識別中的算法也日益精湛，兩者有機地集成在一起后，應用的條件就日趨成熟了。

從語(yǔ)音識別技術(shù)的角度來(lái)看，目前有3個(gè)研究發(fā)展方向，即面向電腦、電話(huà)和手機的應用。電腦的語(yǔ)音錄入應用是指電腦能夠把人所說(shuō)的話(huà)記錄下來(lái)，解決文字輸入的問(wèn)題；電話(huà)的語(yǔ)音識別應用是借助通信平臺，實(shí)現語(yǔ)音技術(shù)的更廣泛應用；手機的語(yǔ)音識別應用是嵌入式的語(yǔ)音識別技術(shù)，實(shí)現手機、尋呼機在移動(dòng)通信中的語(yǔ)音識別應用。據專(zhuān)業(yè)人士預測，5～10年以后，上述3個(gè)方向將會(huì )發(fā)生相互融合。

IBM公司在電腦的語(yǔ)音錄入方面取得了重大的突破，Philips則在不斷挑戰手機的語(yǔ)音識別的難題。而言豐科技所研究的領(lǐng)域專(zhuān)注在電話(huà)的語(yǔ)音識別和語(yǔ)音合成技術(shù)上。言豐科技希望通過(guò)基于通信平臺的語(yǔ)音識別，能夠得到廣泛的、有實(shí)際價(jià)值的商業(yè)應用。

從語(yǔ)音信號的采集方式來(lái)看，電腦錄入對語(yǔ)音質(zhì)量的要求比較嚴格，而電話(huà)采集的語(yǔ)音質(zhì)量就比較寬容。電腦錄入使用的是非自然語(yǔ)言，而電話(huà)是自然語(yǔ)言。要做好對電話(huà)語(yǔ)音的識別，就需要系統能夠對男女老少，甚至是帶有一些地方口音的各種語(yǔ)言進(jìn)行識別。另外，基于通信平臺的語(yǔ)音識別應用是有一定范圍的，它所涉及的詞匯量是可以控制的，這一點(diǎn)要比電腦語(yǔ)音錄入容易實(shí)現。

在討論了語(yǔ)音識別技術(shù)很多年之后，為什么這個(gè)話(huà)題在最近又大幅度升溫了呢？言豐科技的梁康忠博士說(shuō)：“技術(shù)發(fā)展到一定階段時(shí)打破了應用的瓶頸，從而帶來(lái)了應用的進(jìn)步。語(yǔ)音識別是一項難度很大的技術(shù)，里面的算法非常復雜，對CPU的要求也非常高，過(guò)去應用的條件不具備。而近兩年CPU的發(fā)展很快，語(yǔ)音識別中的算法也日益精湛，兩者有機地集成在一起后，應用的條件就日趨成熟了。”

語(yǔ)音識別面臨的問(wèn)題

國外已經(jīng)有了不少較大規模的語(yǔ)音識別IVR系統或者呼叫中心的應用，然而在國內，雖然有將語(yǔ)音識別和呼叫中心結合起來(lái)的趨勢，但仍沒(méi)有多少應用。這其中雖然有諸多影響因素，但重要的一點(diǎn)就是漢語(yǔ)語(yǔ)音識別技術(shù)還不夠完善。那么，語(yǔ)音識別技術(shù)要進(jìn)入大規模商用，還要跨越哪些障礙呢？

1．用戶(hù)的獨立性

所謂用戶(hù)的獨立性，就是指語(yǔ)音識別軟件能夠識別有不同嗓音和口音的用戶(hù)，而無(wú)需通過(guò)訓練軟件來(lái)使其識別一個(gè)特殊用戶(hù)的聲音。目前的許多語(yǔ)音識別軟件，是基于標準的發(fā)音來(lái)進(jìn)行識別的; 而實(shí)際上，人們說(shuō)話(huà)千差萬(wàn)別，發(fā)音也各不相同，特別對于有口音的語(yǔ)音來(lái)說(shuō)，更是對語(yǔ)音識別軟件提出了嚴峻的挑戰。

2．自然語(yǔ)言的能力

有少數復雜的語(yǔ)音識別系統使用提示性對話(huà)，而這樣的語(yǔ)音識別系統提示用戶(hù)，是用一個(gè)單詞或記號來(lái)回答。根據專(zhuān)門(mén)機構的調查，多數人更喜歡用約定俗成的自然語(yǔ)言，而不喜歡使用提示性對話(huà)。

3．處理插入的能力

插入的能力是指允許用戶(hù)在系統提示時(shí)中斷系統，但系統依然能知道用戶(hù)的請求。　　

這點(diǎn)對于實(shí)際的應用來(lái)說(shuō)有相當重要的意義。因為人們在說(shuō)話(huà)時(shí)，總是在不自覺(jué)地思考，經(jīng)常會(huì )打斷語(yǔ)言的連續性，而插入一些補充性的語(yǔ)言。這樣的語(yǔ)言，在語(yǔ)法上來(lái)說(shuō)經(jīng)常是不正確的，常規的語(yǔ)音識別系統很難處理這些語(yǔ)音。

4．軟件身份驗證的能力

軟件身份驗證的能力是指根據用戶(hù)的嗓音和語(yǔ)言特點(diǎn)來(lái)識別用戶(hù)的能力。這在實(shí)際中是一個(gè)非常有價(jià)值的特點(diǎn)，如可用于人事管理中。

語(yǔ)音識別研究現狀

1．語(yǔ)音識別獲得應用

伴隨著(zhù)語(yǔ)音識別技術(shù)的不斷發(fā)展，誕生了全球首套多語(yǔ)種交談式語(yǔ)音識別系統e-talk。這是由言豐科技自主開(kāi)發(fā)的、全球惟一擁有中英混合語(yǔ)言的識別系統，能聽(tīng)、能講普通話(huà)、廣東話(huà)和英語(yǔ)，還可以高度適應不同的口音，因而可以廣泛適用于不同文化背景的使用者，尤其是中國地區語(yǔ)言差別較大的廣大用戶(hù)。

2．語(yǔ)音合成信息服務(wù)被用戶(hù)接受

語(yǔ)音合成技術(shù)把可視的文本信息轉化為可聽(tīng)的聲音信息，其應用的經(jīng)濟效益和社會(huì )效益前景良好。尤其對漢語(yǔ)語(yǔ)音合成技術(shù)的應用而言，全球有十幾億人使用中文，其市場(chǎng)需求、應用前景和經(jīng)濟效益都是十分有潛力的。

語(yǔ)音技術(shù)已逐漸在電信聲訊信息服務(wù)領(lǐng)域的智能電話(huà)查詢(xún)系統中展開(kāi)應用，并迅速得到推廣。目前電話(huà)高度普及，如果通過(guò)最便捷的電話(huà)方式就能查詢(xún)到所需信息，無(wú)疑將給人們的日常生活帶來(lái)極大方便。漢語(yǔ)語(yǔ)音合成技術(shù)應用到聲訊服務(wù)領(lǐng)域內，將對現有的電話(huà)查詢(xún)系統產(chǎn)生革命性的影響。

隨著(zhù)互聯(lián)網(wǎng)的出現和推廣，在技術(shù)上，語(yǔ)音與互聯(lián)網(wǎng)已能夠成功地結合。用戶(hù)可以通過(guò)電話(huà)，方便地發(fā)送電子郵件和類(lèi)似的留言信息，不僅具有傳統的語(yǔ)音信箱功能，還可以將用戶(hù)語(yǔ)音以IP的方式廉價(jià)地發(fā)送到全球任何一個(gè)電腦或電話(huà)終端上，大大降低了信息交流的成本。

3．面向對象的語(yǔ)音編碼技術(shù)獲得突破

長(cháng)期以來(lái)，在通信網(wǎng)的發(fā)展中，提高信息傳輸效率是一個(gè)關(guān)鍵問(wèn)題。目前已有兩個(gè)途徑可以解決這一問(wèn)題：一是研究新的調制方法與技術(shù)，來(lái)提高信道傳輸信息的比特率，指標是每赫茲帶寬所傳送的比特數；二是壓縮信源編碼的比特率，例如標準PCM編碼，對3.4kHz頻帶信號需用64Kbps編碼比特率傳送，而壓縮這一比特率顯然可以提高信道傳送的話(huà)路數。實(shí)際上，壓縮語(yǔ)音編碼比特率與話(huà)音存儲、語(yǔ)音識別及語(yǔ)音合成等技術(shù)都直接相關(guān)。

4．口語(yǔ)機器翻譯受到重視

口語(yǔ)翻譯的一個(gè)重要目的就是幫助聾啞人與正常人交流。首先，聾啞人要戴上一副特制的手套，計算機根據他打出的手語(yǔ)進(jìn)行識別，然后，通過(guò)語(yǔ)音合成系統就可以把圖像信息翻譯成語(yǔ)言信息。同時(shí)，系統還能夠完成將正常人的語(yǔ)言翻譯成聾啞人的手語(yǔ)。將正常人說(shuō)的話(huà)鍵入計算機，經(jīng)程序分析處理之后，翻譯成有表情、有動(dòng)作的三維圖像，就可最終達到聾啞人與正常人之間通過(guò)翻譯機進(jìn)行交流的目的。口語(yǔ)翻譯的研究在其他很多方面都有重要價(jià)值，如用手勢控制計算機，甚至用手勢導航等。

語(yǔ)音識別技術(shù)進(jìn)入商用

語(yǔ)音技術(shù)開(kāi)辟了一個(gè)巨大的應用市場(chǎng)，目前的語(yǔ)音技術(shù)應用的程度如何呢？

1．技術(shù)成熟

在技術(shù)方面，英語(yǔ)的語(yǔ)音技術(shù)比漢語(yǔ)的語(yǔ)音技術(shù)的商用程度更廣，實(shí)用程度更好。在漢語(yǔ)的語(yǔ)音技術(shù)方面，國內的語(yǔ)音合成技術(shù)比較成熟，已經(jīng)達到了商用的標準; 在語(yǔ)音識別方面，已經(jīng)有一些產(chǎn)品開(kāi)始投入商用，如言豐科技的e-talk產(chǎn)品。

2．廠(chǎng)家眾多

在語(yǔ)音識別方面，有國外的IBM、Philips、Nuance等公司；國內的有香港的InfoTalk、捷通等。在語(yǔ)音合成方面，能夠提供產(chǎn)品的公司就十分多了，有的產(chǎn)品是用軟件來(lái)實(shí)現，有的專(zhuān)門(mén)設計了硬件芯片。

3．促進(jìn)網(wǎng)絡(luò )的融合

語(yǔ)音技術(shù)的發(fā)展，帶動(dòng)了網(wǎng)絡(luò )的融合過(guò)程。目前，世界上的兩大通信網(wǎng)絡(luò )是電信網(wǎng)和計算機網(wǎng)，電信網(wǎng)是以語(yǔ)音信號為處理對象，計算機網(wǎng)則是以數據信號為其處理內容。語(yǔ)音技術(shù)為兩個(gè)網(wǎng)絡(luò )的結合，奠定了技術(shù)基礎。

4．語(yǔ)音接入通過(guò)PSTN

目前，人們進(jìn)行信息交流的主要方式還是通過(guò)電話(huà)網(wǎng)。用戶(hù)可以通過(guò)撥打一個(gè)電話(huà)號碼，接入到信息訪(fǎng)問(wèn)中心。

語(yǔ)音技術(shù)商機無(wú)限

1．金融

采用了語(yǔ)音技術(shù)后，通過(guò)電話(huà)，不用人工的干預，就可以進(jìn)行賬戶(hù)余額查詢(xún)，完成賬戶(hù)間的轉賬等工作。不僅提高了工作的效率，也改善了服務(wù)商的形象。

2．證券

用戶(hù)通過(guò)電話(huà)可以查詢(xún)當前的股市情況，不用再按電話(huà)上的按鍵，而是直接說(shuō)出自己關(guān)心的股票的名稱(chēng)，計算機就通過(guò)語(yǔ)音合成技術(shù)，將結果播報出來(lái)。

3．電信和尋呼

采用語(yǔ)音技術(shù)，在電信業(yè)務(wù)中將產(chǎn)生很多的應用。例如在“114”電話(huà)黃頁(yè)中，目前還要有大量的人工服務(wù); 而如果采用語(yǔ)音技術(shù)，就可以不用人工服務(wù)，讓計算機自動(dòng)接聽(tīng)用戶(hù)的需要，然后回放查詢(xún)的電話(huà)號碼。尋呼目前還是通過(guò)尋呼小姐記下用戶(hù)要尋呼的目標號碼，然后將內容輸入到尋呼系統進(jìn)行發(fā)射; 采用語(yǔ)音技術(shù)后，可以讓計算機自動(dòng)地進(jìn)行整個(gè)操作過(guò)程。

4．旅游

用戶(hù)可以通過(guò)電話(huà)，自動(dòng)查詢(xún)那些感興趣的景點(diǎn)的語(yǔ)音介紹材料，相當于請了一個(gè)電話(huà)導游。當出現問(wèn)題時(shí)，也可以通過(guò)電話(huà)，進(jìn)行各種求助。

5．娛樂(lè )

語(yǔ)音技術(shù)在娛樂(lè )方面，也可以激發(fā)出許多的新應用。例如，在通過(guò)電話(huà)進(jìn)行電視MTV點(diǎn)播時(shí)，可以避免重復地按電話(huà)上的按鍵，而是直接說(shuō)出是哪個(gè)歌手的哪首歌，電視臺就通過(guò)接收語(yǔ)音輸入，播放相應的曲目。

技術(shù)為本，應用為先。言豐科技在研發(fā)語(yǔ)音識別技術(shù)產(chǎn)品時(shí)，就希望能夠通過(guò)自然的語(yǔ)言交流，實(shí)現人機交互式的對話(huà)形式，使電腦能理解我們的語(yǔ)言，并按照我們的指示去工作。因為這一目標的實(shí)現將會(huì )給人類(lèi)的工作和生活帶來(lái)質(zhì)的變化，同時(shí)將產(chǎn)生巨大的商業(yè)價(jià)值。因此，目前基于通信平臺的語(yǔ)音識別技術(shù)的商業(yè)應用已被眾多的企業(yè)所關(guān)注。有專(zhuān)家預測，隨著(zhù)技術(shù)的快速發(fā)展，再過(guò)10～20年的時(shí)間，我們將可以做到非常自然的人機交互式對話(huà)。

IBM供稿 CTI論壇編輯