語音識(shí)別技術(shù)的發(fā)展歷程,語音識(shí)別是如何工作的？語音識(shí)別資料概述

你一定不會(huì)懷疑自己電腦的麥克風(fēng)正背著你偷偷摸摸做些什么，因?yàn)槟阋呀?jīng)很久沒有用過它了。

但事實(shí)真的是這樣嗎？

難道谷歌真的在“監(jiān)聽”用戶嗎？

挨君想告訴你，這基本沒 可 能。

谷歌瀏覽器的用戶已經(jīng)超過20億了，要是監(jiān)聽每個(gè)用戶每天說的話，這個(gè)數(shù)據(jù)量太過驚人。投入高昂的成本就為了實(shí)現(xiàn)廣告精準(zhǔn)投放，還冒著巨大的法律風(fēng)險(xiǎn)，這種事正常人是不會(huì)去做的。

對(duì)于視頻中展現(xiàn)的“事實(shí)”，可能的操作是谷歌使用了一個(gè)語音關(guān)鍵詞識(shí)別系統(tǒng)。

有商業(yè)價(jià)值的關(guān)鍵詞總共就幾百萬個(gè)，為了簡(jiǎn)單，可以只做頭部那些最賺錢的幾十萬個(gè)。這幾十萬個(gè)關(guān)鍵詞也不需要先跑語音識(shí)別再跑文本匹配，拿原始的語音文件來搞一個(gè)中等深度的神經(jīng)網(wǎng)絡(luò)甚至線性特征模型就可以，速度也非?？臁?/p>

所以大家不用擔(dān)心語音識(shí)別正在侵犯你的隱私。相反，作為人類與機(jī)器最自然的交互形式（絕對(duì)不是打字），在未來，當(dāng)你不想用手或者像殘障人士難以用手的時(shí)候，語音識(shí)別將會(huì)是操作一切最方便的鑰匙。

語音識(shí)別發(fā)展史

說到語音識(shí)別，大家熟悉的可能是最近十年里才出現(xiàn)的微信語音轉(zhuǎn)文字，或者語音實(shí)時(shí)記錄和翻譯。但其實(shí)語音識(shí)別的歷史比互聯(lián)網(wǎng)還早，現(xiàn)代計(jì)算機(jī)誕生的那一刻，就已經(jīng)埋下了語音識(shí)別的種子。

1946年，現(xiàn)代計(jì)算機(jī)誕生。它的誕生讓人們意識(shí)到，原來計(jì)算機(jī)能完成這么多工作，而且做得比人還好；

（馮諾依曼和第一臺(tái)現(xiàn)代計(jì)算機(jī)）

1950年，圖靈在《思想》雜志發(fā)表了一篇題為《計(jì)算機(jī)器和智能》的論文，來探討計(jì)算機(jī)是否可以具備智能；

在圖靈思想的啟發(fā)下，人們想著既然計(jì)算機(jī)這么能干，干嘛不把它設(shè)計(jì)得和人類一樣能看能說能聽呢，這不就能幫人類做更多事了嘛?。ü唬瑧胁攀强茖W(xué)發(fā)展的源動(dòng)力?。?/p>

于是，第一代語音識(shí)別系統(tǒng)誕生，被稱為機(jī)器的聽覺系統(tǒng)。

1952年，貝爾研究所研制了世界上第一個(gè)能識(shí)別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。也就是你說“yi”，計(jì)算機(jī)就知道這是“1”，能力跟嬰兒差不多。

1960年，英國(guó)的Denes等人研制了第一個(gè)計(jì)算機(jī)語音識(shí)別系統(tǒng)。

但是因?yàn)樽R(shí)別量小，這些系統(tǒng)根本達(dá)不到實(shí)際應(yīng)用的要求，包括后續(xù)的20年間，都是在走彎路，沒有什么研究成果。

直到1970年，統(tǒng)計(jì)語言學(xué)的出現(xiàn)才使得語音識(shí)別重獲新生。

統(tǒng)計(jì)語言學(xué)帶來的重生

推動(dòng)這個(gè)技術(shù)路線轉(zhuǎn)變的關(guān)鍵人物是德里克·賈里尼克(Frederick Jelinek)和他領(lǐng)導(dǎo)的IBM華生實(shí)驗(yàn)室(T.J.Watson)。

統(tǒng)計(jì)語言學(xué)帶來的結(jié)果是，讓IBM當(dāng)時(shí)的語音識(shí)別率從70%提升到90%，同時(shí)語音識(shí)別的規(guī)模從幾百單詞上升到幾萬單詞，這樣語音識(shí)別就有了從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用的可能。

人類的語言是非常復(fù)雜的。不同于音頻識(shí)別，語音識(shí)別的難點(diǎn)在于把一段音頻不僅轉(zhuǎn)換成對(duì)應(yīng)的字，還要是一段邏輯清晰、語音明確的語句。

舉個(gè)例子，我們對(duì)計(jì)算機(jī)念一句話，“周五一起吃飯吧”。計(jì)算機(jī)根據(jù)音頻做出的識(shí)別可能結(jié)果是這樣的：州午衣起癡范爸。

如果僅看讀音和文字的一一對(duì)應(yīng)，這個(gè)準(zhǔn)確度可以說是很高了，因?yàn)槿绻畹目邶X稍有不清更糟糕的結(jié)果可能是“鄒五意起次換吧”。

但是無論哪種結(jié)果，在實(shí)際應(yīng)用上都是不可行的，完全沒法交流嘛。

那么統(tǒng)計(jì)語言學(xué)帶來的變革是什么呢？

我們知道，雖然人類的語言很復(fù)雜，但仍有一定規(guī)律可循，無論是“州午衣起癡范爸”，還是“鄒五意起次換吧”都不是一個(gè)正常人會(huì)說的話。統(tǒng)計(jì)語言學(xué)的作用就是找出人類說話的規(guī)律，這樣就可以大大減少了語言識(shí)別產(chǎn)生的誤差。這其中一個(gè)非常關(guān)鍵的概念就是語素。

語素是語言中最小的音義結(jié)合體，一個(gè)語言單位必須同時(shí)滿足三個(gè)條件——“最小、有音、有義”才能被稱作語素。語素又可以分成三類：

單音節(jié)語素：構(gòu)詞由一個(gè)字才有意思的詞組成

雙音節(jié)語素：構(gòu)詞由兩個(gè)字才有意思的詞組成

多音節(jié)語素：構(gòu)詞由兩個(gè)字以上才有意思的詞組成

啥意思呢？舉個(gè)例子。

你、我、他，這三個(gè)字都是單音節(jié)語素，因?yàn)槊總€(gè)字都能自成一個(gè)含義。

你可能要說了，那不是廢話嗎，還有什么字是沒有含義的嗎？

當(dāng)然有!比如挨君最喜歡吃的“餛飩”。

餛飩就是一個(gè)雙音節(jié)語素。單獨(dú)的餛或者飩都不具備任何含義，只有組合在一起的時(shí)候才有真正的意義。類似的還有“琵琶”、“霹靂”等等。另外比如“沙發(fā)”這類詞，一旦拆分開其含義就完全脫離原來語素的，也被稱為雙音節(jié)語素。

最后一種情況就是多音節(jié)語素，主要是專有名詞還有擬聲詞，比如喜馬拉雅，動(dòng)次打次。

我們?cè)倏椿貏偛诺睦樱?dāng)機(jī)器知道語素之后，即便同音它也不會(huì)把“周五”識(shí)別成“州午”，因?yàn)楹笳邲]有任何意義，也不會(huì)把“吃飯”識(shí)別成“癡范”。

又有人要說了，現(xiàn)在很多網(wǎng)絡(luò)用語把吃飯說成次飯，我也能看懂啊。

如果說“次飯”你能理解那當(dāng)然普大喜奔啦，要是“鄒五意起次換吧”你都能理解的話，那對(duì)于語音識(shí)別團(tuán)隊(duì)來說可真是天大的喜訊了。然而真實(shí)情況是，視人視場(chǎng)景不同，識(shí)別準(zhǔn)確率永遠(yuǎn)是語音識(shí)別第一位的追求。

以上，根據(jù)語素等人類語言規(guī)律挑選同音字的工作，在語音識(shí)別中我們稱為語言模型。

語言模型的好基友

語音識(shí)別中還有一個(gè)模型，就是聲學(xué)模型。

聲學(xué)模型和語言模型是語音識(shí)別里的一對(duì)好基友。聲學(xué)模型負(fù)責(zé)挑選出與音頻匹配的所有字，語言模型負(fù)責(zé)從所有同音字里挑出符合原句意思的字。

聲學(xué)模型的原理說起來跟做牛肉火鍋有點(diǎn)像。

我們拿到一段語音，首先要把它切成若干小段，這個(gè)過程叫做分幀。

跟片好的牛肉會(huì)被分成匙仁、吊龍、匙柄一樣，片好的幀會(huì)根據(jù)聲學(xué)特征被計(jì)算機(jī)算法識(shí)別為一個(gè)個(gè)【狀態(tài)】，多個(gè)狀態(tài)又可以組合成音素。

音素是語音中的最小的單位，比如哦（o），只有一個(gè)音素；我（wo）則有兩個(gè)音素,w、o；吼（hou），則有三個(gè)音素,h、o、u。

有了音素就可以對(duì)應(yīng)找到匹配的字。

所以你可以這么理解，【狀態(tài)】就像生牛肉，還不是人類可以“食用”的模樣，需要用計(jì)算機(jī)算法來“涮一涮”成為音素才能成為一個(gè)【字】。

PS：如果你對(duì)【狀態(tài)】這個(gè)概念還不太理解，那也沒關(guān)系，因?yàn)榻鼛啄瓿霈F(xiàn)了一個(gè)叫CTC的新技術(shù)，建模單元放大到了音節(jié)或音素的單位，直接跳過了【狀態(tài)】這個(gè)概念，所以這個(gè)知識(shí)點(diǎn)以后都不會(huì)考了。

剛才提到語言模型為語音識(shí)別帶來的重生，并不是說在此之前聲學(xué)模型就已經(jīng)非常成熟了，相反，語音識(shí)別重生不久（到20世紀(jì)90年代）再次轉(zhuǎn)涼就是因?yàn)槁晫W(xué)模型太弱，缺少足夠的數(shù)據(jù)和算法。這一狀況直到互聯(lián)網(wǎng)的出現(xiàn)并且?guī)砹藰O其豐富的大數(shù)據(jù)后，才稍微得以改善。

可以這么說，語音識(shí)別的童年，是灰暗坎坷的。

語音識(shí)別是如何工作的

說完語音識(shí)別的兩個(gè)模型，現(xiàn)在我們可以大致梳理下語音識(shí)別的基本步驟，如下圖：

你通過微信發(fā)送了一段語音，對(duì)方因?yàn)樵陂_會(huì)無法聽，于是使用了語音轉(zhuǎn)文字的功能。語音識(shí)別系統(tǒng)先把這段語音分幀，然后提取每一幀的特征形成【狀態(tài)】，幾個(gè)狀態(tài)（通常為3個(gè)）又會(huì)組合成一個(gè)音素，音素又構(gòu)成了諸多同音字，接著語言模型從諸多同音字中挑選出可以使語義完整的字，最后一個(gè)個(gè)呈現(xiàn)在你面前。

雖然過程看著挺簡(jiǎn)單的，但事實(shí)上，受各種語音語調(diào)、方言、說話環(huán)境、說話方式等等的影響，語音識(shí)別要提高準(zhǔn)確率非常非常非?！?常 難。得虧現(xiàn)在有了大數(shù)據(jù)和深度學(xué)習(xí)，這兩個(gè)模型才得到了好好的訓(xùn)練，包括現(xiàn)在很多語音識(shí)別廠商都表示已經(jīng)可以實(shí)現(xiàn)97%的識(shí)別準(zhǔn)確率。

這里插播一段廣告，

網(wǎng)易人工智能對(duì)語音識(shí)別技術(shù)的研究開始于2014年，目前通過網(wǎng)易AI平臺(tái)已服務(wù)于網(wǎng)易游戲、有道詞典等產(chǎn)品。網(wǎng)易AI平臺(tái)語音識(shí)別技術(shù)的優(yōu)勢(shì)有：領(lǐng)先的中英文語音識(shí)別轉(zhuǎn)寫技術(shù)，中文轉(zhuǎn)寫準(zhǔn)確率可達(dá)97%以上；提供基于垂直行業(yè)語音模型進(jìn)行深度優(yōu)化訓(xùn)練，在游戲行業(yè)的語音識(shí)別準(zhǔn)確性保持業(yè)界頂尖水平；提供標(biāo)準(zhǔn)規(guī)范的SDK和API接口，接入迅速，使用便捷。

說了這么多，語音識(shí)別算是人工智能領(lǐng)域比較成熟的技術(shù)，但對(duì)于人類的遠(yuǎn)大愿景而言，這才只是起步，就像小嬰兒現(xiàn)在只能聽，接下來還要會(huì)說、會(huì)做、會(huì)想。不過有了深度學(xué)習(xí)之后，這一切現(xiàn)在看來似乎有了觸達(dá)的可能。