想象一下，當你駕駛一輛奧迪A8L行駛在路上，只需說出幾個簡單的詞語，便可獲得旅途所需的一切，車載MMI 人機交互系統(tǒng)可智能識別語音指令，輕松控制導(dǎo)航，語音通話，娛樂系統(tǒng)等各項功能，汽車也仿佛不再是冰冷的交通工具，而變得更有智慧。電子設(shè)備從過去的智能工具，開始成為與人交互的“伙伴”。

語音識別正以磅礴之勢占據(jù)著一個時代的智能高點。美國谷歌公司發(fā)布的一項調(diào)查報告顯示，13歲到18歲之間的青少年中，每天都要使用語音搜索的人數(shù)比率約55%，尤其是在每天使用智能手機時間在11小時以上的青少年用戶中，比率激增至75%;而在成年人中，約有56%的人表示使用語音搜索會令他們感覺自己很懂技術(shù)。谷歌傳統(tǒng)搜索副總裁斯科特?霍夫曼如此感言：對年輕人而言，使用語音搜索猶如應(yīng)用社交媒體一樣自然，并且會找到很多創(chuàng)新的使用方法。

隨著大數(shù)據(jù)、機器學(xué)習(xí)、云計算、人工智能等技術(shù)的發(fā)展，語音識別在一步步解放用戶的雙手，語音輸入框也大有取代鼠標、鍵盤之勢。伴隨著智能移動設(shè)備的普及，語音交互作為一種新型的人機交互方式，正越來越引起整個IT業(yè)界的重視。

業(yè)內(nèi)機構(gòu)預(yù)計，整個人工智能市場可在2018年達到1800億美元的水平，其中的語音識別市場將占到整個大蛋糕中極有分量的一大塊。2015年，全球語音識別市場規(guī)模約為61.9億美元，預(yù)計到2020年可以接近200億美元。

讓智能語音如何從“聽到”，進化到“聽懂”，實現(xiàn)語音服務(wù)的通用化，更多服務(wù)于現(xiàn)實生活場景，更好地普惠于移動互聯(lián)網(wǎng)用戶，盡管仍有障礙亟待逾越，但這必將是規(guī)模工業(yè)化的重點突破方向。

在智能語音專家賈磊看來，剝離了諸多衍生服務(wù)、僅集中于語音技術(shù)的時代已經(jīng)過去了，未來的規(guī)模工業(yè)化發(fā)展趨勢已然顯現(xiàn)，下一階段的變革之旅正在開啟。

互聯(lián)網(wǎng)的“語音”入口

2016年年初，美國麻省理工學(xué)院(MIT)主辦的知名科技期刊《麻省理工科技評論》，評選出了“2016年十大突破技術(shù)”，語音識別位列第三項，與其他技術(shù)一起“到達一個里程碑式的階段或即將到達這一階段。”

語音識別技術(shù)，也被稱為自動語音識別，其目標是將人類語音中的詞匯內(nèi)容轉(zhuǎn)換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列。語音識別的目的就是讓機器賦予人的聽覺特性，聽懂人說什么，并做出相應(yīng)的動作。

與計算機進行語音交流，并讓其明白用戶在說什么，這是人們長期以來夢寐以求的事情。深度學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)等技術(shù)的發(fā)展，讓這一夢想照進現(xiàn)實。百度語音前首席架構(gòu)師賈磊預(yù)測，語音識別技術(shù)將在語音搜索領(lǐng)域、O2O領(lǐng)域、傳媒信息等領(lǐng)域發(fā)揮巨大作用。

作為人工智能界的技術(shù)大咖，賈磊的“技術(shù)路線”著實是一條“語音路”。

1993年，賈磊保送進入西北工業(yè)大學(xué)教育改革班學(xué)習(xí)，大學(xué)期間他就對數(shù)學(xué)、計算機和聲音信號處理技術(shù)產(chǎn)生了濃厚的興趣。此后的20多年，賈磊一路與“語音”結(jié)緣。

2003年，在中科院拿到博士學(xué)位的賈磊加入松下中國研究開發(fā)有限公司，在工業(yè)界從事語音技術(shù)相關(guān)的研究工作，其間成功研發(fā)了手機上的英語、日語和漢語的人命數(shù)字撥號系統(tǒng);兩年后，賈磊離開松下，加入IBM中國研究院。在IBM工作期間，賈磊和IBM美國研究部門的同事一起構(gòu)建了漢語廣播識別系統(tǒng)。

2006年初，賈磊回到松下中國研究開發(fā)有限公司，擔任松下語音技術(shù)部的高級經(jīng)理，承擔整合松下內(nèi)部語音技術(shù)的工作，并領(lǐng)導(dǎo)松下中國部門，研發(fā)了日語汽車導(dǎo)航系統(tǒng)產(chǎn)品原型;四年后，賈磊回到中科院自動化研究所，主導(dǎo)了中科院自動化所的第一版本的云計算條件下的機器翻譯系統(tǒng)構(gòu)建工作。

2011年6月，賈磊加入百度，開始擔任百度語音技術(shù)部負責人、首席研究員，負責百度語音技術(shù)的核心技術(shù)研發(fā)和互聯(lián)網(wǎng)產(chǎn)業(yè)化工作。短短的6個月內(nèi)，賈磊帶領(lǐng)技術(shù)團隊，實現(xiàn)了百度完全自主研發(fā)的語音搜索系統(tǒng)上線。此后，賈磊的技術(shù)團隊又備受矚目地相繼完成了手機語音輸入法系統(tǒng)、智能語音手機助手等系統(tǒng)的研發(fā)與上線。

2015年年底，伴隨著“大眾創(chuàng)業(yè)、萬眾創(chuàng)新”的熱潮，賈磊離開百度，投身到與人工智能相關(guān)的創(chuàng)業(yè)領(lǐng)域中。“高技術(shù)人才創(chuàng)業(yè)是為國家作貢獻的另一種方式，美國硅谷的很多公司都是從創(chuàng)業(yè)中誕生的，比如微軟、谷歌，都是從最初的創(chuàng)業(yè)公司最終成長為行業(yè)巨頭。”賈磊如此描述自己的創(chuàng)業(yè)，“在以后的人工智能時代，人類的很多活動或許會被機器替代，但置身這個行業(yè)的工作人員，一定要精準掌握制造機器、提升機器的方法。”

[[185870]]

語音識別可規(guī)模工業(yè)化的未來

過去的20多年，語音識別技術(shù)與賈磊們的“技術(shù)腦”共同進行著自我進化，而這種進化，也在潛移默化地改變著互聯(lián)網(wǎng)、尤其是移動互聯(lián)網(wǎng)的形態(tài)。

微軟研究院首席研究員俞棟認為，在很多應(yīng)用場合，語音識別成為一個入口，如果沒有這個入口，大家都會覺得智能機器不夠智能，或者用戶會覺得與智能機器交互有困難。

新興的萬物互聯(lián)時代需要新的交互方式，人們將開始從智能手機的觸摸模式轉(zhuǎn)向智能家居所必需的遠場語音交互，這樣的交互離不開智能語音語言技術(shù)作為支撐。阿里云iDST技術(shù)總監(jiān)初敏認為，語音交互將會成為數(shù)據(jù)智能的第一個爆發(fā)點，“下一輪的入口之爭將再次出現(xiàn)”。

從互聯(lián)網(wǎng)誕生之日起，搜索框便成為人們進入互聯(lián)網(wǎng)的重要入口，但語音識別一經(jīng)出現(xiàn)，搜索框的地位受到動搖，在未來或?qū)⒅鸩奖蝗〈Ｎ④浝椎旅傻卵芯吭焊痹洪L杜麥斯認為，深度學(xué)習(xí)技術(shù)將助力2017年的網(wǎng)絡(luò)搜索結(jié)果，到2027年，搜索框?qū)⑾В粺o所不在、嵌入式以及具備語境感知能力的搜索取代。

如今，這種“取代”已經(jīng)開始萌發(fā)。11月底，搜狗、百度和科大訊飛三家公司接連召開了三場發(fā)布會，向外界展示了自己在語音識別和機器翻譯等方面的最新進展，三家公司均宣布的旗下語音識別系統(tǒng)正確率已達到97%左右，同時有不少智能語音產(chǎn)品支持不同地區(qū)的方言識別。

此前，百度研發(fā)出了基于多層單向LSTM(長短時記憶模型)的漢語聲韻母整體建模技術(shù)，并成功把連接時序分類(CTC)訓(xùn)練技術(shù)嵌入到語音識別傳統(tǒng)技術(shù)建模框架中。該技術(shù)能夠使機器的語音識別相對錯誤率降低15%，使安靜環(huán)境下的普通話語音識別的準確率接近97%，未來將大規(guī)模應(yīng)用在百度語音搜索等產(chǎn)品上。

賈磊表示，語音識別技術(shù)特別適合于語音識別大規(guī)模工業(yè)化，“因為這個技術(shù)應(yīng)用點很多，它不但是解碼速度快，而且對口音、對遠場都有一定的作用，有口音的人識別率會改善很多，距離較遠的時候識別率也會改善很多。”

業(yè)內(nèi)人士判斷，作為信息技術(shù)的重要組成部分，向更聰慧的水平進化的智能語音技術(shù)，將在人工智能、移動互聯(lián)網(wǎng)、智能終端、智能家居、可穿戴設(shè)備等領(lǐng)域日益深入運用，并將在更多垂直行業(yè)深入發(fā)展，帶動智能語音以及相關(guān)產(chǎn)業(yè)的發(fā)展，形成新的業(yè)態(tài)、新的增長點。

一甲子打磨“語音”利劍

如今的語音識別有多聰明?百度首席科學(xué)家吳恩達認為，目前的語音識別已經(jīng)超過了正常人的語音識別能力。以情感合成為例，基于深度學(xué)習(xí)和大數(shù)據(jù)處理技術(shù)的語音識別，在數(shù)據(jù)采集、處理、建模等環(huán)節(jié)完成了一系列創(chuàng)新，可以實現(xiàn)更富有表現(xiàn)力的自然朗讀效果。

在普通公眾的眼里，語音識別似乎是一項橫空出世的新技術(shù)，據(jù) TechCrunch 統(tǒng)計，僅美國至少就有26家公司在開發(fā)語音識別技術(shù)。但在科學(xué)家與工業(yè)界人士看來，語音識別并不是一個新興的行業(yè)。

早在1952年，美國貝爾實驗室的Davis等人就研制了世界上第一個能識別10個英文數(shù)字發(fā)音的實驗系統(tǒng)。1960年，英國的Denes等人研制了第一個計算機語音識別系統(tǒng)。發(fā)展至今，語音識別技術(shù)早已走過了一甲子的歷程。

上世紀50年代，科學(xué)家們認為要讓計算機實現(xiàn)語音識別這類只有人才能做的事情，必須先讓其理解自然語言。這使得人類探索語音識別的路線，局限在用電腦模擬人腦上，即讓計算機學(xué)習(xí)人類學(xué)習(xí)語言的方式。在這一思路的指引下，此后的20年，科學(xué)界在語音識別領(lǐng)域鮮有科研成果出現(xiàn)。

直到1970年后，統(tǒng)計語言學(xué)的出現(xiàn)讓語音識別重獲新生。推動這個技術(shù)路線轉(zhuǎn)變的關(guān)鍵人物是現(xiàn)代語音識別和自然語言處理研究的先驅(qū)、美國工程院院士德里克·賈里尼克和他領(lǐng)導(dǎo)的IBM華生實驗室。IBM采用統(tǒng)計的方法，將當時的語音識別率從70%提升到90%，同時語音識別的規(guī)模從幾百單詞上升到幾萬單詞。這使得語音識別有了從實驗室走向?qū)嶋H應(yīng)用的可能。

此后，隨著研究思路的變化，大規(guī)模的語音識別研究得以實現(xiàn)，科學(xué)家們在小詞匯量、孤立詞的識別研究方面取得了實質(zhì)性的進展。20世紀80年代以后，語音識別研究的重點則逐漸轉(zhuǎn)向大詞匯量、非特定人連續(xù)語音識別。

20世紀90年代以后，科學(xué)界在語音識別的系統(tǒng)框架方面并沒有什么重大突破，但在語音識別技術(shù)的應(yīng)用及產(chǎn)品化方面出現(xiàn)了很大的進展。始于20世紀70年代的DARPA系統(tǒng)，是由美國國防部遠景研究計劃局資助的一項計劃，旨在支持語言理解系統(tǒng)的研究開發(fā)工作，進入90年代， DARPA計劃仍在持續(xù)進行中，其研究重點已轉(zhuǎn)向識別裝置中的自然語言處理部分，識別任務(wù)設(shè)定為“航空旅行信息檢索”。

在這個時期，英國劍橋大學(xué)的HTK系統(tǒng)對語音識別貢獻巨大，為很多從事語音識別的研究單位提供了結(jié)構(gòu)完整、全面的一套軟件基線系統(tǒng)。從此，語音識別研究的門檻大大降低，從而更加有效地推動了語音識別技術(shù)的快速發(fā)展和相互交流。

90年代以后直到現(xiàn)在，計算機界對于語音識別的研究逐漸地由朗讀式語音轉(zhuǎn)移到了現(xiàn)實生活中“真實對話語音”。進入21世紀，互聯(lián)網(wǎng)得到普及，移動互聯(lián)網(wǎng)技術(shù)也得到了快速發(fā)展，手機上網(wǎng)速度越來越快，這給語音識別技術(shù)的發(fā)展和應(yīng)用帶來了新的平臺;硬件設(shè)備越來越廉價以及云計算技術(shù)的出現(xiàn)，也大大推動了語音識別的研究和應(yīng)用。

中國的語音識別研究起始于1958年，由中國科學(xué)院聲學(xué)研究所利用電子管電路識別10個元音，但此后，中國的語音識別研究工作一直處于緩慢發(fā)展階段。直至1973年，中國科學(xué)院聲學(xué)研究所開始了計算機語音識別。

進入80年代以來，隨著計算機應(yīng)用技術(shù)在我國逐漸普及和應(yīng)用以及數(shù)字信號技術(shù)的進一步發(fā)展，國內(nèi)許多單位具備了研究語音技術(shù)的基本條件。與此同時，國際上語音識別技術(shù)在經(jīng)過多年的沉寂之后重又成為研究熱點。在這種形式下，國內(nèi)許多單位紛紛投入到這項研究中去。

2011年深度學(xué)習(xí)技術(shù)引入語音識別領(lǐng)域，推進整個工業(yè)界的人工智能技術(shù)應(yīng)用進入深度學(xué)習(xí)時代。隨后的幾年里，CNN(卷積神經(jīng)網(wǎng)絡(luò))、LSTM(長短時記憶模型)、CNN混合LSTM的建模技術(shù)在語音識別工業(yè)產(chǎn)品中不斷涌現(xiàn)，并持續(xù)提升語音識別產(chǎn)品效果。

[[185871]]

技術(shù)難關(guān)有待突破

2016年6月2日，被譽為“互聯(lián)網(wǎng)女王”的瑪麗·米克爾(Mary Meeker)發(fā)布了2016年《互聯(lián)網(wǎng)趨勢報告》。報告認為，語音是最有效的計算輸入形式，將成為人機交互的新范式。相比打字，語音交互的優(yōu)勢明顯，既簡單又方便，一個麥克風即可解決，尤其適合物聯(lián)網(wǎng)的場景。

然而，任何一項新技術(shù)研發(fā)，都避免不了需要逾越和突破更多的障礙。早在2008年，比爾·蓋茨就在多個場合預(yù)測“今后5年內(nèi)，互聯(lián)網(wǎng)搜索將更多地通過語音來完成”。到如今，語音搜索方興未艾，但遠沒實現(xiàn)比爾·蓋茨的猜想。瑪麗·米克爾預(yù)測，未來的計算界面將從鍵盤進化成麥克風及鍵盤，“不過現(xiàn)在才剛剛上路”。

賈磊認為，目前語音識別技術(shù)遇到的主要難度，是對口音、噪音、遠場的識別。其中基于深度學(xué)習(xí)的個性化識別，是未來語音識別技術(shù)全面普及與應(yīng)用的重大挑戰(zhàn)。

如今在多個大型科技會議現(xiàn)場，主辦方都會安排嘗試各家公司研發(fā)的語音速錄系統(tǒng)，這大有取代傳統(tǒng)的實時速錄員之勢。起初，這一高效、吸引眼球的技術(shù)著實讓人們眼前一亮，但一旦會場中的演講者帶有口音，語音速錄系統(tǒng)便頻頻犯錯，即使有技術(shù)人員現(xiàn)場實時調(diào)試，也常常另其呈現(xiàn)在會場大屏幕上的文字語法不通、不知所云。

賈磊認為，人的口音千差萬別，不可能有一個語音識別器識別所有的聲音，一定要實現(xiàn)個性化。而這種基于深度學(xué)習(xí)的個性化識別，一定需要海量的存儲空間和很大的數(shù)據(jù)吞吐傳輸能力，而這只有具備大數(shù)據(jù)和云計算這種服務(wù)能力的公司能夠提供。

語音識別歷來是人工智能和機器學(xué)習(xí)中的十大經(jīng)典難題之一，該技術(shù)面臨著說話人、環(huán)境、設(shè)備三方面的不確定性難點。

說話人常常來自不同的方言區(qū)、有不同的口音，說話時又有不同的方式、運用不同的情感，目前的語音識別往往難以完美識別。此外，真實的語言環(huán)境是非常復(fù)雜的，會被各種各樣的噪聲環(huán)繞，包括汽車喇叭聲、飛機的噪聲、馬路上人的聲音，還有一些會場的回聲;而發(fā)言者使用的設(shè)備也是五花八門，除了自然發(fā)聲，人們可以用手持麥克風、領(lǐng)夾麥克風、耳戴麥克風、近場遠場的麥克風等。

在真實的應(yīng)用場景下，說話人、環(huán)境、設(shè)備三個因素疊加在一起，使語音識別的應(yīng)用場景更加復(fù)雜。如何處理這些不確定性，成為擺在研發(fā)人員面前的一項重大挑戰(zhàn)。

口語化的識別需要訓(xùn)練語料，口音的有利信息歸根結(jié)底需要大量的口音的數(shù)據(jù)才能解決。“未來會出現(xiàn)更大規(guī)模的語料庫，要訓(xùn)練更大規(guī)模的語音識別系統(tǒng)。”賈磊認為，多種數(shù)據(jù)源的混合訓(xùn)練仍然是解決口音、噪音和遠場問題的必要手段。

從嚴格意義上，目前的語音識別系統(tǒng)，顯然還難堪完美。峰瑞資本早期項目負責人朱祎舟認為，盡管各家科技公司根據(jù)實驗數(shù)據(jù)得出的語音識別準確率達到95%甚至更高，但在實際使用時并沒有那么高。

阿里云智能語音技術(shù)總監(jiān)鄢志杰也認為，“夸張”的準確率只可能在非常受限的場景下獲得，“如果在一個熱烈討論的會議室，掏出手機做會議記錄，別說97%，斷斷續(xù)續(xù)勉強看懂就不錯了”。

“語音識別的準確率遠沒有新聞標題上宣傳的那么高，脫離現(xiàn)實場景去談準確率統(tǒng)統(tǒng)都是耍流氓。”鄢志杰認為，智能語音行業(yè)應(yīng)該更嚴肅去思考，在學(xué)術(shù)研究上到底取得了哪些實質(zhì)性的進展，應(yīng)用上到底在哪些方面實實在在幫助到大眾。

從“聽到”到“聽懂”的進化變革

語音識別、語音搜索，已然成為了移動互聯(lián)網(wǎng)時代的“剛需”。互聯(lián)網(wǎng)帶來的用戶體驗卻并非人人平等，在互聯(lián)網(wǎng)用戶中，仍然有相當一部分人無法暢享互聯(lián)網(wǎng)。他們因為技術(shù)水平的差異，無法利用電腦和手機，通過“精確的文字”與互聯(lián)網(wǎng)時代的產(chǎn)物發(fā)生“聯(lián)動”。比如讓年邁的父母重新去學(xué)習(xí)“打字”，著實不易。

智能語音很可能讓以往的不平等體驗趨回平衡。如今，智能客服與智能助理等已經(jīng)成為互聯(lián)網(wǎng)上的典型應(yīng)用場景。接電話的客服人員，可能要漸次被人工智能和機器人替代，不少科技公司已經(jīng)使用了語音自動轉(zhuǎn)接、情感識別與關(guān)鍵詞識別、語音識別和關(guān)鍵信息提取，還有自動化的全量檢驗;而智能助理則可以采用對話的聲控方式，幫助用戶找餐館、安排行程、點歌、導(dǎo)航、找菜譜等。

為了利用語音交互的新穎和便利模式迅速占領(lǐng)客戶群，互聯(lián)網(wǎng)公司紛紛投入人力、物力和財力展開語音識別的研究和應(yīng)用，但如果讓語音識別更好地服務(wù)于諸多的真實生活場景中，顯然還有長路要走。

賈磊認為，想解決口音、噪音的問題，語音識別系統(tǒng)的訓(xùn)練數(shù)據(jù)還會繼續(xù)加大，現(xiàn)在幾萬個小時訓(xùn)練數(shù)據(jù)是工業(yè)現(xiàn)狀，在不久的未來一定能達到十萬小時。如果出現(xiàn)這么大的計算量，對計算能力的需求會更加強烈，“大數(shù)據(jù)和高性能計算，是語音識別發(fā)展到目前最明顯和清晰的趨勢”。

“語音識別正處于產(chǎn)業(yè)化爆發(fā)的邊緣，但機器計算成本是一個很大的瓶頸。如果線上50%的搜索都由語音完成，而計算成本還和過去一樣，那么沒有公司能承擔得起。”賈磊表示，語音服務(wù)要想大規(guī)模普及、服務(wù)大眾，必須降低后臺服務(wù)器開銷。

在賈磊看來，作為明顯的行業(yè)趨勢，語音識別技術(shù)會和語意理解、交互技術(shù)等形成一整套語音的解決方案。

讓人工智能系統(tǒng)根據(jù)自己被告知的內(nèi)容回答問題或采取行動，真正的難度在于語義識別。目前的語音識別技術(shù)，只是把“聽到”的語音高正確率轉(zhuǎn)化成文字，這對于未來的需求還遠遠不夠。從“聽到”，到“聽懂”，盡管一字之差，卻考驗重重。

如果讓語音識別系統(tǒng)變得更加聰慧，其突破依賴于計算機硬件的進步。近幾年計算機飛速的發(fā)展，特別是通用計算的發(fā)展，使人類有了強大的計算能力，使得一些過去不可能實現(xiàn)的人工智能算法成為可能，但如果要實現(xiàn)語音服務(wù)的通用化，計算能力還有提升空間。

更重要的是，人使用語音識別的目的，不只是把語音轉(zhuǎn)成文字，而是使用語音去進行交互，并獲得其所需的服務(wù)結(jié)果。賈磊認為，“這是未來的工業(yè)發(fā)展趨勢，單純地脫離了服務(wù)、脫離了平臺、脫離了計算能力去做語音技術(shù)的時代已經(jīng)過去了”。

語音識別雖然為現(xiàn)代生活帶來了各種便捷，但距離真正實現(xiàn)精確無誤，自主思考，顯然還有很長一段路要走，只有研究者們不斷執(zhí)著進取，突破藩籬，才能為語音識別技術(shù)的未來帶來真正的顛覆與改變。