彭博社發(fā)表分析文章稱(chēng)，現在的語(yǔ)音識別技術(shù)還不夠成熟，較為機械，一些模糊不清的詞匯難以辨別，也不能通過(guò)語(yǔ)境理解用戶(hù)的真正意圖。但是，近期語(yǔ)音識別和人工智能領(lǐng)域取得的突破讓一項數十年前就已問(wèn)世的數字神經(jīng)網(wǎng)絡(luò )技術(shù)獲得重生。谷歌正在此神經(jīng)網(wǎng)絡(luò )技術(shù)的基礎上開(kāi)發(fā)可以整合其海量數據的語(yǔ)音系統，其能夠讓語(yǔ)音識別更為智能，大幅改善了識別質(zhì)量。未來(lái)，市場(chǎng)上或將出現準確率與人類(lèi)相當或水平更高的語(yǔ)音識別系統。
以下是文章全文：
與數字語(yǔ)音助手聊天產(chǎn)生的樂(lè )趣大概就像你努力與一個(gè)頑固的孩子講道理一樣。如果你曾經(jīng)對著(zhù)你的Xbox大吼，或者咒罵Siri，那說(shuō)明你可能已經(jīng)對語(yǔ)音識別失望了。
技術(shù)突破
但是研究人員稱(chēng)，人類(lèi)近期在語(yǔ)音識別和人工智能領(lǐng)域取得的突破將很快會(huì )大幅提升設備的理解能力。谷歌著(zhù)名工程師約翰·沙爾克維克（Johan Schalkwyk）表示，只需一到兩年，這種性能強大的新型設備就會(huì )問(wèn)世。它不僅能夠聽(tīng)懂人們說(shuō)話(huà)的意思，還明白上下文的關(guān)聯(lián)與細微差別。
沙爾克維克正在谷歌從事一項野心勃勃的研究項目，開(kāi)發(fā)能夠整合公司海量數據的語(yǔ)音系統。他表示，目前正在實(shí)驗室測試的一個(gè)項目能夠使計算機聽(tīng)懂并在本質(zhì)上“思考”人們向谷歌設備輸入的語(yǔ)音。
語(yǔ)音和機器學(xué)習領(lǐng)域近期的創(chuàng )新應該會(huì )大幅提升語(yǔ)音識別的能力，緩解人們的不滿(mǎn)情緒。Siri開(kāi)發(fā)團隊中有人表示，工程師們都在狂熱地開(kāi)發(fā)語(yǔ)音識別技術(shù)，令其足夠智能，以實(shí)現設備與用戶(hù)真正地對話(huà)。“語(yǔ)音識別技術(shù)對所有地區口語(yǔ)的理解能力已取得長(cháng)足的進(jìn)步，”Siri底層礎技術(shù)的開(kāi)發(fā)公司SRI International（后被蘋(píng)果收購）副總裁威廉·馬克（William Mark）稱(chēng)，“這種對話(huà)式互動(dòng)現在成為了一種前沿技術(shù)。”
蒂姆·圖特勒（Tim Tuttle）對語(yǔ)音識別技術(shù)的飛躍等待已久。他在1997年取得了麻省理工學(xué)院的博士學(xué)位，并在該校人工智能實(shí)驗室任職。過(guò)去10年，他先后在多家硅谷公司工作，并最終在2010年創(chuàng )建了自己的公司Expect Labs。圖特勒的公司去年開(kāi)始從事一個(gè)系統研發(fā)，將復雜的語(yǔ)音指令加入到移動(dòng)應用中。這款應用能夠允許用戶(hù)進(jìn)入一家商店后向手機詢(xún)問(wèn)要買(mǎi)的掃帚在哪一條貨架走道。
“一年前，我們做了一次基準測試，得出的結論是難以實(shí)現這一功能。但是現在，一切都已經(jīng)發(fā)生了改變。我們公司對語(yǔ)音識別進(jìn)行了加倍投資，主要得益于我們所看到的這些技術(shù)進(jìn)步，”圖特勒表示，“你將發(fā)現，那些在準確率上與人相當、或比人更高的語(yǔ)音識別系統實(shí)現商業(yè)化。”
舊技術(shù)獲重生
先來(lái)迅速回顧一條歷史教訓：兩年半前，谷歌和多倫多大學(xué)的研究人員發(fā)表了一篇頗有影響力的論文，內容關(guān)于使用“深度神經(jīng)網(wǎng)絡(luò )”在電腦中模擬語(yǔ)音。幾個(gè)月后，微軟和IBM合作發(fā)表了另外一篇論文。谷歌工程師杰夫·迪恩（Jeff Dean）將這兩篇論文稱(chēng)之為“語(yǔ)音研究領(lǐng)域20年來(lái)取得的最大的一次進(jìn)步”。
新發(fā)現讓一項問(wèn)世數十年的數字神經(jīng)網(wǎng)絡(luò )技術(shù)創(chuàng )新獲得了重生。該技術(shù)在上世紀80年代在預測和分析大數據方面表現優(yōu)異，但發(fā)展受制于當時(shí)過(guò)慢的計算機速度。神經(jīng)網(wǎng)絡(luò )在近期才成為一個(gè)可行的選擇，這要歸功于計算機處理速度的大幅提升和新軟件技術(shù)的發(fā)展。
谷歌的實(shí)驗室項目就是基于神經(jīng)網(wǎng)絡(luò )研究。6個(gè)月前，谷歌團隊放棄了一種名為前饋神經(jīng)網(wǎng)絡(luò )的舊方法，轉而使用遞歸神經(jīng)網(wǎng)絡(luò )。這一轉換使得系統能夠存儲更多信息，處理更長(cháng)、更復雜的序列。谷歌的創(chuàng )新成果在于對底層代碼的簡(jiǎn)化，允許軟件在相同系統中存儲更多觀(guān)點(diǎn)和概念，使之易于問(wèn)出復雜的問(wèn)題和得出合理答案。“系統構建得復雜會(huì )損害其長(cháng)期發(fā)展，”沙爾克維克說(shuō)。
谷歌系統現在使用上下文、物理定位及其它了解到的說(shuō)話(huà)者信息對談話(huà)的場(chǎng)所和真正含義進(jìn)行預測，就像人在談話(huà)時(shí)大腦所做的一樣。谷歌的新網(wǎng)絡(luò )技術(shù)應該會(huì )更高效，從而能夠處理比以往更多的數據，回答更為復雜的請求。
為了解釋未來(lái)語(yǔ)音識別技術(shù)的工作原理，沙爾克維克使用了距離谷歌加州山景城總部幾英里之外的高級越南餐館作為例子。這家餐館名為Xanh Restaurant。沙爾克維克稱(chēng)，對于典型的語(yǔ)音識別系統來(lái)說(shuō)，識別出這個(gè)餐館名字的發(fā)音是個(gè)挑戰，因為Xanh的發(fā)音為“zahn”，識別起來(lái)十分困難。“如果我能使用地圖，然后說(shuō)‘這是一家餐館，它位于加州’，那么可供參考的餐館數量就會(huì )立刻減少很多，”他說(shuō)，“使用這種語(yǔ)義知識，我們能夠大幅改善語(yǔ)音識別的質(zhì)量。”
這聽(tīng)起來(lái)簡(jiǎn)單，但對于計算機來(lái)說(shuō)，聽(tīng)到一個(gè)詞匯，從句子中識別上下文，然后根據地理位置分析信息是一件極為困難和耗費時(shí)間的事情。如今，谷歌語(yǔ)音搜索能夠正確識別餐館，也許就是因為其開(kāi)發(fā)者是餐館老顧客的原因。沙爾克維克稱(chēng)，未來(lái)谷歌將能處理其他同樣存在語(yǔ)音模糊不清的眾多問(wèn)題。
沙爾克維克表示，在谷歌內部，語(yǔ)音識別取得了“數量空前多”的技術(shù)進(jìn)步。盡管谷歌取得的重大進(jìn)步還需要一到兩年時(shí)間才能在手機上體現出來(lái)，該項目已經(jīng)催生出了可用于谷歌其他業(yè)務(wù)的技術(shù)。“你開(kāi)發(fā)一些技術(shù)準備登月，與此同時(shí)，你也開(kāi)發(fā)出了另外100項有用的技術(shù)，”沙爾克維克說(shuō)。
沙爾克維克稱(chēng)，三年前，谷歌語(yǔ)音識別技術(shù)或許僅能識別3/4的單詞。而如今，圖特勒稱(chēng)，得益于創(chuàng )新速度的加快，谷歌手機語(yǔ)音識別應用能夠準確猜中12/13的單詞。“未來(lái)，我們將會(huì )生活在一個(gè)設備沒(méi)有鍵盤(pán)的世界里，”圖特勒說(shuō)。
