智能手機(jī)的超性能語(yǔ)音識(shí)別技術(shù)

當(dāng)語(yǔ)音識(shí)別技術(shù)應(yīng)用到計(jì)算機(jī)桌面的時(shí)候，這看起來(lái)似乎是一個(gè)好主意。但是，對(duì)于大多數(shù)人來(lái)說(shuō)，語(yǔ)音識(shí)別還不能取代鍵盤(pán)和鼠標(biāo)。現(xiàn)在，語(yǔ)音技術(shù)正用于一個(gè)全新的環(huán)境：手機(jī)。語(yǔ)音識(shí)別技術(shù)在手機(jī)中的應(yīng)用將進(jìn)一步推動(dòng)這種技術(shù)向新的方向發(fā)展和應(yīng)用。這是語(yǔ)音識(shí)別技術(shù)在臺(tái)式電腦應(yīng)用中從來(lái)沒(méi)有涉足的方向。

　　IBM今年將紀(jì)念其創(chuàng)建100周年。IBM在60年代初期創(chuàng)建了一個(gè)名為“Shoebox”的試驗(yàn)性的語(yǔ)音識(shí)別系統(tǒng)。這個(gè)系統(tǒng)解決了口語(yǔ)算法問(wèn)題。語(yǔ)音識(shí)別技術(shù)是在50年代作為一項(xiàng)早期的技術(shù)第一次出現(xiàn)的，當(dāng)時(shí)主要是由于好奇。在60年代初，IBM的“Shoebox”設(shè)備能夠識(shí)別出16個(gè)口語(yǔ)單詞并且能夠回答簡(jiǎn)單的數(shù)學(xué)問(wèn)題，如“3 + 4 =?”。

　　Dragon Systems在80年代初為DOS計(jì)算機(jī)推出的DragonDictate可能是第一個(gè)語(yǔ)音識(shí)別應(yīng)用程序。這個(gè)應(yīng)用程序只能識(shí)別單個(gè)單詞，每次只說(shuō)一個(gè)單詞。隨著時(shí)間的推移，這個(gè)應(yīng)用程序已經(jīng)發(fā)展成為名為“Dragon NaturallySpeaking”(目前是第11個(gè)版本，由Nuance通訊公司所有)的產(chǎn)品。這個(gè)應(yīng)用程序能夠翻譯以正常的會(huì)話(huà)語(yǔ)音和速度讀出的文本。

　　語(yǔ)音識(shí)別技術(shù)在臺(tái)式電腦中的應(yīng)用有兩個(gè)制約因素。第一，為了使這個(gè)應(yīng)用程序以更高的準(zhǔn)確性工作，這個(gè)應(yīng)用程序必須要進(jìn)行訓(xùn)練以便識(shí)別用戶(hù)的語(yǔ)音特征。Windows Vista和Windows 7操作系統(tǒng)中的本地語(yǔ)音轉(zhuǎn)換文本技術(shù)和Dragon NaturallySpeaking等第三方產(chǎn)品仍然都需要一個(gè)用戶(hù)訓(xùn)練期才能使用。

　　第二個(gè)制約因素是鍵盤(pán)的流行程度。大多數(shù)人已經(jīng)習(xí)慣于鍵盤(pán)打字而不是講話(huà)，因此，語(yǔ)音控制面臨Dvorak鍵盤(pán)布局同樣的應(yīng)用障礙。當(dāng)簡(jiǎn)單的老式QWERTY鍵盤(pán)供貨充足并且工作的很好的時(shí)候，為什么要學(xué)習(xí)使用Dvorak鍵盤(pán)呢?

　　微軟TellMe團(tuán)隊(duì)是負(fù)責(zé)為多媒體環(huán)境開(kāi)發(fā)語(yǔ)音識(shí)別技術(shù)的部門(mén)。TellMe團(tuán)隊(duì)高級(jí)產(chǎn)品經(jīng)理Abhi Rele指出，在臺(tái)式電腦環(huán)境，用戶(hù)有方便的人機(jī)交流模式，如鍵盤(pán)和鼠標(biāo)。因此，語(yǔ)音的使用主要是針對(duì)語(yǔ)音愛(ài)好者的。

　　語(yǔ)音控制的計(jì)算更廣泛的應(yīng)用需要兩件事情：更好的方便的應(yīng)用和主要使用語(yǔ)音的地方。手機(jī)正是很長(zhǎng)時(shí)間以來(lái)一直在增長(zhǎng)的這種地方。

　　Nuance負(fù)責(zé)產(chǎn)品管理和營(yíng)銷(xiāo)的副總裁Matt Revis解釋說(shuō)，臺(tái)式電腦和移動(dòng)環(huán)境的區(qū)別是這樣的：臺(tái)式電腦是一個(gè)固定的環(huán)境，重點(diǎn)完全在于臺(tái)式電腦的使用情況。因此，臺(tái)式電腦的語(yǔ)音技術(shù)主要執(zhí)行如下任務(wù)：支持辦公應(yīng)用程序、網(wǎng)絡(luò)瀏覽、通訊等。在移動(dòng)方面，語(yǔ)音更多地用于支持各種生活方式方面：移動(dòng)中的專(zhuān)業(yè)人員、戶(hù)外的有趣活動(dòng)、免提電話(huà)等等。

　　Gartner分析師Tuong Nguyen贊同這個(gè)觀(guān)點(diǎn)：語(yǔ)音在移動(dòng)環(huán)境中更有意義。他說(shuō)，從使用的角度看，掌上設(shè)備的語(yǔ)音識(shí)別功能價(jià)值更大。它增加了用戶(hù)友好的、方便的輸入方式。

　　Nguyen補(bǔ)充說(shuō)，如果不用語(yǔ)音技術(shù)說(shuō)出一個(gè)簡(jiǎn)單的說(shuō)明語(yǔ)句，而是翻動(dòng)許多菜單或者努力地在小顯示屏鍵盤(pán)上進(jìn)行輸入，語(yǔ)音識(shí)別的價(jià)值就顯現(xiàn)出來(lái)了。隨著觸摸屏設(shè)備(沒(méi)有物理鍵盤(pán))應(yīng)用的增長(zhǎng)，語(yǔ)音識(shí)別技術(shù)將用來(lái)增強(qiáng)數(shù)據(jù)輸入和輸出。語(yǔ)音識(shí)別還支持免提要求或者法律要求。

　　在移動(dòng)設(shè)備方面

　　因?yàn)橐苿?dòng)設(shè)備一般僅支持臺(tái)式電腦的一部分存儲(chǔ)和處理功能，語(yǔ)音處理需要一些時(shí)間才能以基本的形式出現(xiàn)在手機(jī)中。

　　語(yǔ)音處理Springer手冊(cè)解釋了手機(jī)在2000年代初的情況。盡管那時(shí)還有一些局限性，但是，手機(jī)經(jīng)過(guò)編程之后能夠識(shí)別逐個(gè)數(shù)字的撥號(hào)語(yǔ)音，在某種程度上還能識(shí)別人的名字。主要問(wèn)題是內(nèi)存，因此，大多數(shù)手機(jī)一次只能識(shí)別10個(gè)數(shù)字或者名字。但是，這些作者指出的另一個(gè)問(wèn)題是這個(gè)功能使用的比較少，可能是因?yàn)槭謾C(jī)廠(chǎng)商在這方面的營(yíng)銷(xiāo)很糟糕。

　　隨著手機(jī)的增加內(nèi)存和增強(qiáng)處理能力，普通手機(jī)的識(shí)別能力也增強(qiáng)了。三星電子在2005年發(fā)布的售價(jià)99美元的SCH-p-207型手機(jī)增加了語(yǔ)音至文本的聽(tīng)寫(xiě)功能和語(yǔ)音撥號(hào)功能。隨著內(nèi)存達(dá)到數(shù)百M(fèi)B和存儲(chǔ)容量達(dá)到數(shù)GB，目前這一代智能手機(jī)很少受到限制。

　　另一個(gè)關(guān)鍵的進(jìn)步是網(wǎng)絡(luò)速度。速度更快的無(wú)線(xiàn)網(wǎng)絡(luò)浪潮抬高了許多大船，包括最新一代的語(yǔ)音處理技術(shù)。速度更快的網(wǎng)絡(luò)能夠把語(yǔ)音處理任務(wù)從網(wǎng)絡(luò)遷移到遠(yuǎn)程服務(wù)器。

　　谷歌語(yǔ)音搜索產(chǎn)品經(jīng)理Amir Mane解釋了速度更快的網(wǎng)絡(luò)是如何幫助谷歌語(yǔ)音應(yīng)用程序的。他說(shuō)，由于所有繁重的處理任務(wù)都是由谷歌服務(wù)器在網(wǎng)絡(luò)上處理的，我們減少了掌上設(shè)備計(jì)算能力的限制。

　　目前的應(yīng)用程序

　　手機(jī)語(yǔ)音識(shí)別技術(shù)目前的狀態(tài)不僅僅局限于語(yǔ)音撥號(hào)。語(yǔ)音啟動(dòng)的功能實(shí)際上就包括語(yǔ)音撥號(hào)。這是手機(jī)上出現(xiàn)的第一個(gè)語(yǔ)音識(shí)別功能。目前，甚至許多低端手機(jī)都有這個(gè)功能，盡管這個(gè)功能處理手機(jī)電話(huà)簿中一些不常用的名字的時(shí)稍差一些。

　　Gartner分析師Nguyen指出，比較新的一代語(yǔ)音功能是更開(kāi)放的。不用編程執(zhí)行某些功能的具體的語(yǔ)音指令，應(yīng)用程序可識(shí)別語(yǔ)音并且執(zhí)行適當(dāng)?shù)男袆?dòng)。更高端的、更強(qiáng)大的設(shè)備使這些應(yīng)用更可行。換句話(huà)說(shuō)，不僅僅是能夠使用這個(gè)短語(yǔ)“呼叫888-555-1212”撥打一個(gè)電話(huà)號(hào)碼，用戶(hù)還可以說(shuō)“呼叫媽媽”或者“給我媽媽打電話(huà)”。

　　谷歌語(yǔ)音搜索擁有比以前的語(yǔ)音識(shí)別技術(shù)更少的限制，因?yàn)樗械姆敝厝蝿?wù)都是由網(wǎng)絡(luò)服務(wù)器完成的。這使谷歌語(yǔ)音搜索等語(yǔ)音驅(qū)動(dòng)的應(yīng)用程序更可行。例如，如果你說(shuō)“創(chuàng)戰(zhàn)紀(jì)電影時(shí)間”，你會(huì)看到一個(gè)網(wǎng)頁(yè)列出地區(qū)編號(hào)或者位置。這個(gè)應(yīng)用程序不僅能夠識(shí)別出這個(gè)短語(yǔ)的意思，而且還能提供你的手機(jī)(你當(dāng)前的位置)和網(wǎng)站(上映時(shí)間)的信息。

　　這個(gè)應(yīng)用程序還非常熟悉英語(yǔ)，不用進(jìn)行訓(xùn)練就能自動(dòng)分辨出一些詞匯的差別。如果我說(shuō)“摩特里褲(Motley Crue)樂(lè)隊(duì)”，這個(gè)應(yīng)用程序甚至能在搜索詞匯方便使用這個(gè)樂(lè)隊(duì)的獨(dú)特的拼寫(xiě)，盡管它會(huì)漏掉變音符號(hào)。搜索“Motley's Crew”，你會(huì)得到一個(gè)喜劇片。

　　這就是說(shuō)谷歌語(yǔ)音識(shí)別的限制明顯地表明將使你進(jìn)一步脫離主流的英語(yǔ)。外國(guó)人的名字是沒(méi)有幫助的。語(yǔ)音識(shí)別應(yīng)用程序的另一個(gè)問(wèn)題是環(huán)境的噪音。移動(dòng)用戶(hù)受環(huán)境噪音的影響通常比臺(tái)式電腦用戶(hù)多。Nuance公司的Revis稱(chēng)，在充滿(mǎn)噪音的戶(hù)外環(huán)境中，語(yǔ)音識(shí)別的準(zhǔn)確性是一個(gè)問(wèn)題。

　　自從2005年三星的那款手機(jī)推出以來(lái)，聽(tīng)寫(xiě)功能已經(jīng)取得了長(zhǎng)足的進(jìn)步。由Dragon NaturallySpeaking驅(qū)動(dòng)的iPhone的Dragon聽(tīng)寫(xiě)功能允許用戶(hù)聽(tīng)寫(xiě)從備忘錄、電子郵件到Twitter更新等一切內(nèi)容。用于電子郵件的Dragon軟件為黑莓設(shè)備提供了類(lèi)似的功能。

　　對(duì)于A(yíng)ndroid手機(jī)來(lái)說(shuō)，Nuance提供了FlexT9軟件。這個(gè)軟件把Dragon聽(tīng)寫(xiě)功能與三種類(lèi)型的觸摸屏輸入方式結(jié)合在了一起。還有一個(gè)Handcent短信應(yīng)用程序。這個(gè)應(yīng)用程序集成了Android本地語(yǔ)音識(shí)別技術(shù)以幫助你用語(yǔ)音發(fā)短信。

　　文本之間的翻譯目前已經(jīng)推出多年(如通過(guò)知名的Babel Fish網(wǎng)站進(jìn)行翻譯)。同聲翻譯功能現(xiàn)在還沒(méi)有，不過(guò)，這種軟件很快會(huì)推出。例如，用于iPhone的Jibbigo軟件可翻譯單詞、短語(yǔ)和合理的簡(jiǎn)單句子，讓雙方交替地講話(huà)。