語音識別這么火 但你知道它的發(fā)展史嗎？

　　剩下的難題依舊

　　語音識別的獨(dú)特性不僅僅是因?yàn)槠涑删停罕M管已有成果斐然，但剩下的難題和目前已克服的一樣令人生畏。

　　隨著語音識別研究思路的變化，大規(guī)模的語音識別研究始于20世紀(jì)70年代以后，并在小詞匯量、孤立詞的識別方面取得了實(shí)質(zhì)性的進(jìn)展。20世紀(jì)80年代以后，語音識別研究的重點(diǎn)則逐漸轉(zhuǎn)向大詞匯量、非特定人連續(xù)語音識別。20世紀(jì)90年代以后，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(jìn)展。比如，DARPA是在20世紀(jì)70年代由美國國防部遠(yuǎn)景研究計(jì)劃局資助的一項(xiàng)計(jì)劃，旨在支持語言理解系統(tǒng)的研究開發(fā)工作。進(jìn)入90年代，DARPA計(jì)劃仍在持續(xù)進(jìn)行中，其研究重點(diǎn)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”。根據(jù)DARPA資助的多次語音評測，語音識別詞錯誤率已經(jīng)是評估進(jìn)步的主要指標(biāo)。

　　我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。由于當(dāng)時條件的限制，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(jì)算機(jī)語音識別。

　　進(jìn)入80年代以來，隨著計(jì)算機(jī)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(jìn)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(diǎn)。在這種形式下，國內(nèi)許多單位紛紛投入到這項(xiàng)研究工作中去。

　　1986年，語音識別作為智能計(jì)算機(jī)系統(tǒng)研究的一個重要組成部分，被專門列為研究課題。在“863”計(jì)劃的支持下，中國開始組織語音識別技術(shù)的研究，并決定了每隔兩年召開一次語音識別的專題會議。

　　大數(shù)據(jù)與深度神經(jīng)網(wǎng)絡(luò)帶來的大爆發(fā)

　　任何技術(shù)都有蓄能階段和爆發(fā)階段，語音識別技術(shù)的爆發(fā)是源于大數(shù)據(jù)，伴隨互聯(lián)網(wǎng)出現(xiàn)的漣漪效應(yīng)和深度神經(jīng)網(wǎng)絡(luò)。漣漪效應(yīng)，指互聯(lián)網(wǎng)思維在提高核心技術(shù)表現(xiàn)中的作用。也有人稱之為優(yōu)化迭代，比如吳恩達(dá)將其稱之為把研究層、產(chǎn)品和用戶使用組合在一起，形成一個閉環(huán)的迭代優(yōu)化，這是互聯(lián)網(wǎng)思維在核心技術(shù)優(yōu)化和突破所發(fā)揮作用的一種表達(dá)。通過這種方式不僅可以獲取數(shù)據(jù)，還能學(xué)習(xí)經(jīng)驗(yàn)、認(rèn)識以及怎么使用等，比如說調(diào)整哪些東西讓用戶體驗(yàn)得更好。

　　語音識別是需要經(jīng)驗(yàn)、數(shù)據(jù)和用戶反饋共同作用來提升表現(xiàn)的。需要利用用戶的反饋總結(jié)出一些特點(diǎn)。比如說用戶在說話時會截?cái)?，這樣你就可以通過調(diào)整一些參數(shù)來提升表現(xiàn)。因?yàn)檎Z音識別不僅是數(shù)據(jù)多了，識別率提高了，還有更多的因素，比如說用戶的感覺、一些關(guān)鍵的參數(shù)點(diǎn)、經(jīng)驗(yàn)等，這些都是可以學(xué)習(xí)到的?；ヂ?lián)網(wǎng)思維所帶來的就像軟件迭代一樣，通過反饋回來的信息進(jìn)行調(diào)整，這是最核心的。

　　在大數(shù)據(jù)時代到來后，隱馬爾可夫模型出現(xiàn)了局限，即數(shù)據(jù)量提升時，它帶來的表現(xiàn)提升沒有深度神經(jīng)網(wǎng)絡(luò)那么大，但其實(shí)都屬于統(tǒng)計(jì)模式識別。在語音識別發(fā)展的過程中，深度學(xué)習(xí)是同時發(fā)生的一件事，如果沒有深度神經(jīng)網(wǎng)絡(luò)，但是有大數(shù)據(jù)和漣漪效應(yīng)，隱馬爾可夫模型也可以做到實(shí)用。深度神經(jīng)網(wǎng)絡(luò)是讓其做得最好，降低了門檻，讓更多的人可以加入進(jìn)來。在同樣具有漣漪效應(yīng)的情況下，深度神經(jīng)網(wǎng)絡(luò)比之前的算法好，數(shù)據(jù)越多，深度神經(jīng)網(wǎng)絡(luò)的效果更好。還有更加重要的一點(diǎn)，深度神經(jīng)網(wǎng)絡(luò)只是整個統(tǒng)計(jì)機(jī)器模式識別理論框架中的一個環(huán)節(jié)而已，真正重要的環(huán)節(jié)是統(tǒng)計(jì)決策系統(tǒng)。

　　深度神經(jīng)網(wǎng)絡(luò)由Geoffrey Hinton與微軟的鄧力研究員最先開始做，谷歌是最早在全球范圍內(nèi)大規(guī)模使用深度神經(jīng)網(wǎng)絡(luò)的公司，谷歌的VoiceSearch也在最早開創(chuàng)了用互聯(lián)網(wǎng)思維做語音識別。在這方面，科大訊飛受到谷歌的啟發(fā)，迅速跟進(jìn)成為國內(nèi)第一個在商用系統(tǒng)里使用深度神經(jīng)網(wǎng)絡(luò)的公司。

　　語音識別技術(shù)已經(jīng)發(fā)展了幾十年的時間，因?yàn)榇髷?shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用，這一領(lǐng)域的傳統(tǒng)強(qiáng)者成了谷歌、亞馬遜、蘋果和微軟這些美國科技巨頭，但據(jù)TechCrunch統(tǒng)計(jì)，美國至少有26家公司在開發(fā)語音識別技術(shù)。

　　不過，盡管谷歌這些巨頭在語音識別技術(shù)上的技術(shù)積累和先發(fā)優(yōu)勢讓后來者似乎難望其項(xiàng)背，但因?yàn)橐恍┱吆褪袌龇矫娴脑?，這些巨頭的語音識別主要偏向于英語，這給科大訊飛、百度、搜狗等在漢語領(lǐng)域?qū)崿F(xiàn)突出表現(xiàn)提供了機(jī)會。在國內(nèi)，這些本土化產(chǎn)品更為用戶所熟知。

　　從識別到感知認(rèn)知

　　在語音識別中，訓(xùn)練數(shù)據(jù)的匹配和豐富性是推動系統(tǒng)性能提升的最重要因素之一，但是語料的標(biāo)注和分析需要長期的積累和沉淀，隨著大數(shù)據(jù)時代的來臨，大規(guī)模語料資源的積累將提到戰(zhàn)略高度?，F(xiàn)如今，語音識別在移動終端上的應(yīng)用最為火熱，語音對話機(jī)器人、語音助手、互動工具等層出不窮，許多互聯(lián)網(wǎng)公司紛紛投入人力、物力和財(cái)力展開此方面的研究和應(yīng)用，目的是通過語音交互的新穎和便利模式迅速占領(lǐng)客戶群。

　　盡管視覺和語音識別在近些年來都取得了巨大的進(jìn)步，但這些研究者仍然提醒說，還有很多的工作要做。

　　展望未來，研究者正在努力工作以確保語音識別能在更為真實(shí)生活的環(huán)境中良好地工作。這些環(huán)境包括具有很多背景噪聲的地方，比如聚會場所或在高速路上駕駛的時候。他們也將關(guān)注如何更好地在多人交談環(huán)境中將不同的說話人區(qū)分開，并且確保其能夠在各種各樣的聲音上發(fā)揮效用，而不管說話人的年齡、口音或說話能力。

　　從更長遠(yuǎn)來看，研究者將會關(guān)注如何教計(jì)算機(jī)不只是轉(zhuǎn)錄來自人類嘴巴的聲音信號，而且還要理解他們所說的話。這樣就能讓這項(xiàng)技術(shù)可以根據(jù)自己被告知的內(nèi)容回答問題或采取行動。

　　下一個前沿是從識別走向理解，我們正在從一個人類必須理解計(jì)算機(jī)的世界邁向一個計(jì)算機(jī)必須理解我們的世界。