語(yǔ)音識別將把鼠標鍵盤(pán)打入冷宮？
四大技術(shù)難點(diǎn)阻礙語(yǔ)音識別技術(shù)平民化
劉喜喜 2008/03/17
當“語(yǔ)音識別（ASR）五年內將取代鍵盤(pán)”被比爾·蓋茨在多個(gè)場(chǎng)合再三強調，語(yǔ)音識別勢必成為業(yè)界關(guān)注的焦點(diǎn)。但語(yǔ)音識別何時(shí)才能走近消費者？科學(xué)家正在攻克什么難關(guān)？語(yǔ)音識別真會(huì )取代鼠標和鍵盤(pán)嗎？
從孤立詞到大詞匯量連續語(yǔ)音的識別（LVCSR），再到語(yǔ)音庫檢索，語(yǔ)音識別技術(shù)一直在向前發(fā)展，只是語(yǔ)音識別似乎離我們還有些遙遠。“今后5年內，互聯(lián)網(wǎng)搜索將更多地通過(guò)語(yǔ)音來(lái)完成。”2月23日，比爾·蓋茨在美國卡內基-梅隆大學(xué)發(fā)表演講說(shuō)道， 這已數不清是他第幾次在公開(kāi)場(chǎng)合提及語(yǔ)音識別了。
語(yǔ)音識別將會(huì )取代鼠標和鍵盤(pán)嗎？面對記者拋出的問(wèn)題，幾乎所有被訪(fǎng)問(wèn)者都有一個(gè)共識：語(yǔ)音識別將會(huì )給用戶(hù)提供多一種的輸入方式，但現階段不可能完全替代鼠標和鍵盤(pán)。不過(guò)談及語(yǔ)音識別進(jìn)展為何比較慢時(shí)，各路專(zhuān)家卻是見(jiàn)仁見(jiàn)智：標準的差別、噪聲的困擾、嵌入式芯片計算量的脫節、產(chǎn)品化的難題一一被擺到臺面上來(lái)。
標準輸入的難題
不要小看鼠標和鍵盤(pán)，雖貌似技術(shù)含量低，但它所具備的統一的輸入標準和精準的視覺(jué)反饋這兩點(diǎn)，正是語(yǔ)音識別技術(shù)目前的短板。
當南方人把“牛奶”念成“留來(lái)”的時(shí)候，究竟是機器識別錯了，還是人錯了？微軟中國研發(fā)集團下屬微軟亞洲研究院語(yǔ)音識別組組長(cháng)宋言哥平提出這樣一個(gè)問(wèn)題。不要小看這個(gè)問(wèn)題，語(yǔ)言輸入不標準從而導致識別錯誤率高過(guò)鍵盤(pán)，是語(yǔ)音識別無(wú)法取代鼠標鍵盤(pán)的首要原因。
事實(shí)上，不僅是南北口音差異，每個(gè)人都有獨有的發(fā)音習慣。因此在Vista中，每個(gè)用戶(hù)在用語(yǔ)音控制電腦前，都需要以自己的語(yǔ)音，對電腦進(jìn)行適應訓練，使其習慣自己的發(fā)音，識別出正確的指令。在2006年的一次公開(kāi)示范中，Vista語(yǔ)音識別系統認“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)“認母為姨”的錯誤，宋言哥平做出這樣的解釋?zhuān)骸把菔窘M里每個(gè)員工都有自己的適應模型，正是演示人員張三慌忙中誤使用了李四的身份和模型，才導致了這樣的錯誤。”這從一個(gè)側面也可以反映出語(yǔ)音輸入不易規范的弊病。
除去口音參差不齊，安徽科大訊飛研究院副院長(cháng)胡郁認為，輸入設備沒(méi)有統一標準也導致了語(yǔ)音輸入的不標準：“在語(yǔ)音識別狀態(tài)下，麥克風(fēng)錄音不是給人聽(tīng)，而是給機器聽(tīng)。而現在很多嵌入式設備上的麥克風(fēng)的錄音質(zhì)量是以人可以聽(tīng)懂為依據的。但在什么標準范圍內，機器才能聽(tīng)清聽(tīng)懂，目前還沒(méi)有統一標準。”此外，面對“取C盤(pán)的某個(gè)文件”這樣一個(gè)指令，鼠標需要層層點(diǎn)擊，但語(yǔ)音識別只需要一句話(huà)，當然方便。但當遇到“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(tīng)懂和判斷這句話(huà)的精準目的，而鼠標卻可輕易辦到。
噪聲的困擾
語(yǔ)音輸入很難規范，從某種程度上說(shuō)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(yǔ)音識別領(lǐng)域公認的技術(shù)難題。“這很好理解，機器無(wú)法像人那樣分辨出人聲和噪聲。”宋言哥平解釋道，“同時(shí)，不同場(chǎng)景有不同噪聲，訓練的情況也不能匹配真實(shí)環(huán)境，這使語(yǔ)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(yǔ)音中，提取一個(gè)抗噪性高的語(yǔ)音特征；在語(yǔ)音訓練的時(shí)候，利用“最小識別錯誤訓練方法”，結合噪聲處理算法訓練出一個(gè)語(yǔ)音模型，使識別系統在噪聲環(huán)境里的魯棒性比較高；在語(yǔ)音解碼的過(guò)程中進(jìn)行多重選擇，憑借放入解碼機制的信息，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(yǔ)音識別在噪聲環(huán)境中使用的精準性而服務(wù)。
完全消除噪聲的干擾從理論上說(shuō)是可能的——只要算法足夠復雜和龐大。但是運算量的龐大勢必造成兩個(gè)問(wèn)題：芯片存儲量有限和“萬(wàn)靈模板”問(wèn)題。
要不要等待芯片
之前，有科學(xué)家提出“2010年將是語(yǔ)音識別市場(chǎng)爆發(fā)之年”。其實(shí)，這是建立在算法成熟的基礎上來(lái)預測的。北京拓源信息咨詢(xún)有限公司的總經(jīng)理鄭院生一直關(guān)注語(yǔ)音識別以及其他人工智能技術(shù)的應用問(wèn)題，他認為：“從算法和計算過(guò)程的角度看，語(yǔ)音識別其實(shí)是一個(gè)人工智能的問(wèn)題，如果芯片的運算速度足夠快，很多語(yǔ)音識別的技術(shù)難題就可以迎刃而解。”
但在現實(shí)中，語(yǔ)音識別在產(chǎn)品轉換中遇到了問(wèn)題，大多運用語(yǔ)音識別技術(shù)的設備都是嵌入式設備，比如手機、導航儀、學(xué)習機等。“芯片運算量、存儲量和消費比的問(wèn)題沒(méi)有得到解決。假使嵌入式芯片能像臺式機的芯片一樣厲害（目前只和1997年的臺式機一樣），那就解決大問(wèn)題了。”胡郁告訴記者，“手機用戶(hù)目前只能語(yǔ)音查號碼，這是因為手機芯片不夠強大。汽車(chē)電腦也達不到臺式機的水平。”
“摩爾定律仍舊有效，芯片基礎架構和運算能力的代際演進(jìn)，將為語(yǔ)音識別技術(shù)的不斷成熟提供越來(lái)越可靠的物理平臺。”鄭院生對語(yǔ)音識別的未來(lái)保持很大的樂(lè )觀(guān)。“作為技術(shù)研究者，我們要么就是提前研究，要么就是坐等芯片運算量上來(lái)了再研究。”宋言哥平認為，技術(shù)一定是跑在市場(chǎng)前頭的。
“松緊帶”怪圈
科學(xué)家大多是完美主義者，都想設計一個(gè)像松緊帶一樣的萬(wàn)靈模板的通用產(chǎn)品，粗腰細腰都能穿。“但事實(shí)上，按照說(shuō)話(huà)人量身打造的東西才是最好的，可這樣做工本又太高了。”宋言哥平認為，做好語(yǔ)音識別通用產(chǎn)品，針對不同場(chǎng)景做細微調整之間的權衡很重要。
此前IBM推出的Via Voice憑借當時(shí)堪稱(chēng)完美的技術(shù)轟動(dòng)一時(shí)，但用戶(hù)卻并不買(mǎi)賬，很多軟件被束之高閣。“我認為包括Vista在內的語(yǔ)音識別產(chǎn)品，在人機界面的人性化設計上仍不夠完美自然，這大大降低了用戶(hù)的接受度。”宋言哥平表示。好的人機界面可在用戶(hù)說(shuō)錯而渾然不知時(shí)，使計算機不被干擾，識別如常。
胡郁則認為，目標定位不正確（直接采用口述的方式輸入需要不斷思考文本內容）是Via voice叫好不叫座的主要原因。而從國內外成功的語(yǔ)音識別產(chǎn)品來(lái)看，符合用戶(hù)需求確實(shí)非常重要。在國內，語(yǔ)音點(diǎn)歌（有些運營(yíng)商稱(chēng)之為聲動(dòng)炫鈴）十分受歡迎，其實(shí)就是孤立詞搜索的一種應用。微軟去年年初的時(shí)候，用8億美元收購了一家做電話(huà)語(yǔ)音尋址的公司TellMe，從一定程度上說(shuō)明微軟認為語(yǔ)音識別技術(shù)在PC操作之外更有發(fā)展前景，比如在手機、client-server 的呼叫中心、電話(huà)、汽車(chē)、智能家電上。
此外，人機交互界面只是語(yǔ)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的語(yǔ)音部分都靠語(yǔ)音識別技術(shù)轉換成文字（雖然不一定完全正確），這樣就可以通過(guò)輸入文字來(lái)協(xié)助搜索視頻內容。美國最大的語(yǔ)音技術(shù)提供廠(chǎng)商Nuance就擁有一個(gè)賺錢(qián)的成功業(yè)務(wù)——幫助美國醫生寫(xiě)醫囑。這完全依靠大詞匯量連續語(yǔ)音識別技術(shù)（LVCSR）來(lái)識別醫生的口頭醫囑。
如此看來(lái)，只要找到一個(gè)好的切入點(diǎn)，國內企業(yè)也可以做得很好。胡郁甚至隨即開(kāi)始構想如何為記者圈服務(wù)了：采訪(fǎng)累計下來(lái)的歷史錄音，可以借鑒前面Nuance公司的想法轉寫(xiě)出來(lái)，從而幫助記者更有效地整理和利用錄音數據，而這只需要很少的費用。
我想，當很多人愿意為此掏腰包時(shí)，語(yǔ)音識別離平民的世界也將不再遙遠。
計算機世界網(wǎng)(www.ccw.com.cn)
相關(guān)鏈接:
亚洲精品网站在线观看不卡无广告,国产a不卡片精品免费观看,欧美亚洲一区二区三区在线,国产一区二区三区日韩
锡林郭勒盟|
南部县|
纳雍县|
民县|
茶陵县|
乐安县|
河西区|
扶绥县|
桐乡市|
仁怀市|
武威市|
尉氏县|
霍城县|
嘉善县|
民县|
黄梅县|
沙湾县|
延边|
晋城|
宿州市|
南乐县|
青阳县|
三河市|
苏尼特左旗|
平山县|
万盛区|
祁阳县|
通许县|
泊头市|
林芝县|
灯塔市|
南投市|
清流县|
平山县|
临泉县|
长顺县|
铁力市|
奎屯市|
朝阳县|
金溪县|
泉州市|
http://444
http://444
http://444
http://444
http://444
http://444