首頁(yè)>>>技術(shù)>>>語(yǔ)音應(yīng)用>>>語(yǔ)音識(shí)別(ASR)　　語(yǔ)音識(shí)別產(chǎn)品

語(yǔ)音識(shí)別醞釀第二次浪潮

彭禎藝 2003/09/15

　　得意音通是一家提供語(yǔ)音技術(shù)的公司。打進(jìn)該公司的電話總機(jī)，在通常的“請(qǐng)撥分機(jī)號(hào)”以及“人工服務(wù)撥0”的語(yǔ)音提示外，加上了一條“請(qǐng)說(shuō)您找哪位”。其實(shí)，像這樣的用戶直接跟機(jī)器對(duì)話的系統(tǒng)在美國(guó)已非常普遍。在遍布美國(guó)大街小巷的公用電話亭里，只要有AT＆T語(yǔ)音識(shí)別系統(tǒng)標(biāo)識(shí)的，用戶只需對(duì)著電話說(shuō)“Connect Operator Please”，系統(tǒng)所具有的關(guān)鍵詞檢測(cè)技術(shù)就可以從句子中查找到Operator，直接把電話接通到接線員，系統(tǒng)的識(shí)別率超過(guò)99%。

　　相比用按鍵方式進(jìn)入一級(jí)級(jí)菜單的傳統(tǒng)的呼叫中心，這樣的服務(wù)顯然更方便。尤其是在不適用于鍵盤和鼠標(biāo)輸入的移動(dòng)計(jì)算環(huán)境，語(yǔ)音輸入具有更大的發(fā)展?jié)摿Α＞退闶窃谵k公室，語(yǔ)音識(shí)別技術(shù)也可以幫助一部分不愿意或不能使用鍵盤、鼠標(biāo)的用戶減少大量的手腕和手指的重復(fù)勞動(dòng)。然而，這樣的技術(shù)對(duì)大部分人來(lái)說(shuō)仍然很新鮮，想想有幾個(gè)人使用了手機(jī)里內(nèi)置多年的語(yǔ)音撥號(hào)功能？
　　
　　技術(shù)的落差

　　語(yǔ)音識(shí)別的研究工作可以追溯到20世紀(jì)50年代AT&T貝爾實(shí)驗(yàn)室的Audry系統(tǒng)，它是第一個(gè)可以識(shí)別十個(gè)英文數(shù)字的語(yǔ)音識(shí)別系統(tǒng)。實(shí)驗(yàn)室語(yǔ)音識(shí)別研究的巨大突破產(chǎn)生于20世紀(jì)80年代末：一些小詞匯量的識(shí)別系統(tǒng)具備了較高的識(shí)別率。同時(shí)，人們終于在實(shí)驗(yàn)室突破了大詞匯量、連續(xù)語(yǔ)音和非特定人這三大障礙，第一次把這三個(gè)特性都集成在一個(gè)系統(tǒng)中。語(yǔ)音識(shí)別技術(shù)獲得突破的主要原因在于半導(dǎo)體技術(shù)、軟件技術(shù)和存儲(chǔ)技術(shù)突飛猛進(jìn)的發(fā)展。

　　語(yǔ)音技術(shù)掀起的第一次浪潮始于20世紀(jì)90年代前期，許多著名的大公司如IBM、蘋果、AT＆T和NTT都對(duì)語(yǔ)音識(shí)別系統(tǒng)的實(shí)用化研究投以巨資。語(yǔ)音識(shí)別技術(shù)有一個(gè)很好的評(píng)估機(jī)制，那就是識(shí)別的準(zhǔn)確率，而這項(xiàng)指標(biāo)在20世紀(jì)90年代中后期實(shí)驗(yàn)室研究中得到了不斷的提高。在1997年有人提出，“語(yǔ)音時(shí)代”已經(jīng)來(lái)臨，商家也都對(duì)此充滿了信心：希望語(yǔ)音識(shí)別能力能跟人一樣。語(yǔ)音識(shí)別技術(shù)變得如此受歡迎，讓人不得不相信，語(yǔ)音技術(shù)將無(wú)處不在。

　　然而，事實(shí)并非如此。在實(shí)際應(yīng)用中，在實(shí)驗(yàn)室中“成功”的語(yǔ)音識(shí)別系統(tǒng)在魯棒性（Robustness）、靈活性和自適應(yīng)能力上還遠(yuǎn)遠(yuǎn)不能滿足實(shí)際的需要，技術(shù)上也顯得力不從心。得意音通公司副總裁鄧永強(qiáng)說(shuō)：“過(guò)高的市場(chǎng)期望面對(duì)實(shí)際的技術(shù)水平和應(yīng)用現(xiàn)狀，難免產(chǎn)生泡沫�！�

　　技術(shù)的不成熟，加之市場(chǎng)的接受情況，語(yǔ)音識(shí)別市場(chǎng)確實(shí)無(wú)法用上“火爆”這個(gè)形容詞，甚至無(wú)法在市場(chǎng)上找到幾個(gè)語(yǔ)音識(shí)別方面的成熟應(yīng)用，因此，眾人紛紛打起了“半成品技術(shù)”的主意，“以現(xiàn)有的技術(shù)水平來(lái)創(chuàng)造出應(yīng)用”。以中國(guó)市場(chǎng)為例，廠商并沒(méi)有去追求最完美的應(yīng)用—“聽(tīng)寫機(jī)”一類的非特定人、連續(xù)語(yǔ)音、大詞匯量的語(yǔ)音識(shí)別，而是把當(dāng)前已經(jīng)成熟的那部分技術(shù)應(yīng)用到實(shí)際的產(chǎn)品中。例如以中小詞表為主的命令式語(yǔ)音識(shí)別，包括呼叫中心、語(yǔ)音撥號(hào)，移動(dòng)設(shè)備中的嵌入式命令控制等，并且對(duì)于普通話能達(dá)到相當(dāng)高的識(shí)別率。
　　
　　語(yǔ)音識(shí)別的“新三難”

　　語(yǔ)音識(shí)別系統(tǒng)的分類有三種依據(jù)：詞匯量大小，對(duì)說(shuō)話人說(shuō)話方式的要求（分為孤立詞語(yǔ)音識(shí)別和連續(xù)語(yǔ)音識(shí)別）和對(duì)說(shuō)話人的依賴程度（分為特定人和非特定人語(yǔ)音識(shí)別系統(tǒng)）。語(yǔ)音識(shí)別技術(shù)的發(fā)展歷史就是從簡(jiǎn)單到復(fù)雜，逐一攻克“老三樣”指標(biāo)的過(guò)程。

　　最簡(jiǎn)單的小詞匯量、孤立詞、特定人語(yǔ)音識(shí)別技術(shù)在20世紀(jì)70年代就已經(jīng)非常成熟。盡管有一定的難度，目前在實(shí)驗(yàn)室環(huán)境下“老三難”均能達(dá)到最高標(biāo)準(zhǔn)，也就是聽(tīng)寫機(jī)。微軟稱嵌入到Office軟件中的聽(tīng)寫系統(tǒng)能在標(biāo)準(zhǔn)北京口音輸入的情況下，首次識(shí)別率達(dá)到93%，調(diào)試之后達(dá)到96%，并且新的技術(shù)正在使識(shí)別率不斷上升。

　　技術(shù)的價(jià)值在于它服務(wù)于應(yīng)用。雖然在實(shí)驗(yàn)室擁有如此高的識(shí)別率，在語(yǔ)音識(shí)別技術(shù)從各個(gè)不同的突破口進(jìn)行應(yīng)用和產(chǎn)業(yè)化的過(guò)程中，“新三難”凸現(xiàn)出來(lái)，成為研究重點(diǎn)。

　　首先，方言或口音會(huì)降低語(yǔ)音識(shí)別率，而對(duì)于擁有八大方言區(qū)的中文來(lái)說(shuō)，應(yīng)用的難度會(huì)更大。清華大學(xué)計(jì)算機(jī)系語(yǔ)音技術(shù)中心副教授，同時(shí)也是北京得意音通技術(shù)有限公司董事長(zhǎng)兼總裁的鄭方博士就正在跟蹤解決這一問(wèn)題。今年，在美國(guó)約翰霍普金斯大學(xué)召開(kāi)的每年一度的語(yǔ)音技術(shù)研討會(huì)上，鄭方博士提了一個(gè)關(guān)于方言和口音問(wèn)題的提案，題目定為“Dialectal Chinese（帶方言的普通話）”。題目本身的重要性使它在全球十幾家提案中勝出，并成為最終被選定的三四家之一。鄭方博士說(shuō)，“Mandarin Influenced by Native Dialect（受母語(yǔ)口音影響的普通話）”將有可能成為一個(gè)需要四五年時(shí)間完成的大項(xiàng)目。

　　“新三難”問(wèn)題之二是背景噪音。人多的公共場(chǎng)所巨大的噪音對(duì)語(yǔ)音識(shí)別影響自不用說(shuō)，就算在實(shí)驗(yàn)室環(huán)境下，敲擊鍵盤、挪動(dòng)麥克風(fēng)都會(huì)成為背景噪音。它將破壞原始語(yǔ)音的頻譜，或者把原始語(yǔ)音部分或全部掩蓋掉，造成識(shí)別率下降。實(shí)際應(yīng)用中，噪音是無(wú)法避免的。研究將要解決的問(wèn)題就是如何把原始語(yǔ)音從背景噪音中分離出來(lái)，這將會(huì)使識(shí)別系統(tǒng)具有很強(qiáng)的適應(yīng)性。

　　第三個(gè)就是“口語(yǔ)”的問(wèn)題。它既涉及到自然語(yǔ)言理解，又與聲學(xué)有關(guān)。語(yǔ)音識(shí)別技術(shù)的最終目的是要讓用戶在“人機(jī)對(duì)話”的時(shí)候，能夠像進(jìn)行“人人對(duì)話”一樣自然。而一旦用戶以跟人交談的方式來(lái)進(jìn)行語(yǔ)音輸入時(shí)，口語(yǔ)的語(yǔ)法不規(guī)范和語(yǔ)序不正常的特點(diǎn)會(huì)給語(yǔ)義的分析和理解帶來(lái)困難。另外，當(dāng)人們?cè)诳谡Z(yǔ)交流時(shí)，即便是人的大腦分析認(rèn)為是非常標(biāo)準(zhǔn)的發(fā)音，在語(yǔ)音識(shí)別的時(shí)候上卻變到了聲學(xué)的角度，隨意發(fā)音帶來(lái)的問(wèn)題是很大的。

　　“新三難”是在語(yǔ)音識(shí)別技術(shù)的應(yīng)用中對(duì)識(shí)別率影響最大的三個(gè)因素。除此以外，由于語(yǔ)音在識(shí)別前需要傳輸，識(shí)別系統(tǒng)還需要適應(yīng)不同類型的傳輸信道。語(yǔ)音識(shí)別技術(shù)本身還有很大的發(fā)展空間。

　　第二次浪潮還有多遠(yuǎn)?

　　多年的研究使國(guó)內(nèi)中文語(yǔ)音識(shí)別的核心技術(shù)與國(guó)際的差別不大，并且從去年開(kāi)始，中文語(yǔ)音識(shí)別技術(shù)的應(yīng)用開(kāi)始大量涌現(xiàn)，產(chǎn)業(yè)化進(jìn)程從此拉開(kāi)序幕。鄧永強(qiáng)把語(yǔ)音識(shí)別產(chǎn)業(yè)的現(xiàn)狀比作1995年時(shí)期的互聯(lián)網(wǎng)，“樹(shù)在長(zhǎng)大，有綠葉了，還在等開(kāi)花結(jié)果”。他認(rèn)為，中文語(yǔ)音識(shí)別產(chǎn)業(yè)經(jīng)過(guò)了1998、1999年的轉(zhuǎn)折點(diǎn)—從0變成了1，將會(huì)在明年出現(xiàn)新的轉(zhuǎn)折點(diǎn)，形成新的發(fā)展高峰。那么，中文能否給語(yǔ)音識(shí)別帶來(lái)第二次浪潮？

　　又一次浪潮的出現(xiàn)，必須建立在成型的市場(chǎng)之上。今年3月，HarrisInteractive公司受美國(guó)的專業(yè)語(yǔ)音技術(shù)公司Nuance委托對(duì)美國(guó)普通公民進(jìn)行了語(yǔ)音技術(shù)滿意度的調(diào)查。調(diào)查結(jié)果是：語(yǔ)音技術(shù)已被廣泛的接受和使用；用戶對(duì)他們?cè)?jīng)使用的語(yǔ)音技術(shù)有著高度評(píng)價(jià)；語(yǔ)音比起其它的交互方式有更多的優(yōu)勢(shì)�？梢�(jiàn)，語(yǔ)音技術(shù)在美國(guó)的普通公民中有著相當(dāng)高的接受程度。在這樣的基礎(chǔ)之上，美國(guó)語(yǔ)音識(shí)別市場(chǎng)逐漸做大，已經(jīng)形成了競(jìng)爭(zhēng)的格局。

　　而國(guó)內(nèi)在技術(shù)的應(yīng)用上起步較晚，導(dǎo)致了現(xiàn)在國(guó)內(nèi)用戶感到新鮮的語(yǔ)音產(chǎn)品在國(guó)外已有了好幾年的應(yīng)用。早在1997年就進(jìn)入中國(guó)語(yǔ)音識(shí)別市場(chǎng)的IBM，已經(jīng)花費(fèi)大量資金培育市場(chǎng)，讓大家知道了什么是語(yǔ)音技術(shù)�；蛟S正是因?yàn)槿绱�，在市�?chǎng)推廣方面較為薄弱的國(guó)內(nèi)廠商并不排斥具有強(qiáng)大實(shí)力的國(guó)際大公司。北京中科模識(shí)科技有限公司總裁徐波博士認(rèn)為，“目前與IBM和微軟這樣的巨頭之間并不是競(jìng)爭(zhēng)的局面。如果他們?cè)诩夹g(shù)上取得突破并形成產(chǎn)品，或者把語(yǔ)音識(shí)別嵌入到他們自己的強(qiáng)勢(shì)產(chǎn)品中去，也不一定是壞事。這樣，將會(huì)有更多的人接受語(yǔ)音識(shí)別技術(shù)，市場(chǎng)規(guī)模會(huì)更大�！�

　　鄭方博士表示，“關(guān)鍵的問(wèn)題是如何把現(xiàn)有的技術(shù)應(yīng)用到實(shí)際中去；如何從市場(chǎng)上獲得更多的反饋以提升技術(shù)，再把新的技術(shù)切入到產(chǎn)品中，不斷的尋找新的結(jié)合點(diǎn)�！毖芯吭鯓痈a(chǎn)業(yè)結(jié)合是一個(gè)永恒的話題。語(yǔ)音識(shí)別形成產(chǎn)業(yè)并向前發(fā)展不可否認(rèn)，而能否在明年迎來(lái)新的高峰就要看國(guó)內(nèi)廠商如何的應(yīng)用技術(shù)了。業(yè)內(nèi)人士都認(rèn)為，國(guó)內(nèi)的廠商要互相取長(zhǎng)補(bǔ)短，一起“拱”出中國(guó)的語(yǔ)音識(shí)別市場(chǎng)，單單靠一家公司是辦不到的。
　　
　　高峰之后

　　如果這一次語(yǔ)音識(shí)別的發(fā)展高峰形成了，它的主要特點(diǎn)將是語(yǔ)音識(shí)別技術(shù)在不同應(yīng)用領(lǐng)域的突破，并逐漸大面積普及。高峰之后的持續(xù)發(fā)展是各個(gè)廠商都必須考慮的問(wèn)題。20世紀(jì)90年代末語(yǔ)音技術(shù)在到達(dá)一定的發(fā)展程度后出現(xiàn)回落的根本原因，就是當(dāng)時(shí)的技術(shù)水平?jīng)]有與人們對(duì)語(yǔ)音識(shí)別的期望匹配。如今，一方面能夠應(yīng)用在某些領(lǐng)域的技術(shù)已經(jīng)成熟，例如以中國(guó)科學(xué)院自動(dòng)化研究所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室為依托的中科模識(shí)，其漢語(yǔ)連續(xù)語(yǔ)音、非特定人聽(tīng)寫機(jī)系統(tǒng)的普通話系統(tǒng)的錯(cuò)誤率可以控制在10%以內(nèi)，代表了世界領(lǐng)先水平。擁有核心技術(shù)，成為國(guó)內(nèi)企業(yè)穩(wěn)步發(fā)展的底氣來(lái)源。

　　另一方面，國(guó)內(nèi)的廠商更加重視把現(xiàn)有水平的技術(shù)應(yīng)用到實(shí)際產(chǎn)品中，而不是等待技術(shù)的各個(gè)方面都完美了才投放市場(chǎng)。例如得意音通利用姓名撥號(hào)的自動(dòng)總機(jī)，就是基于小詞匯量的語(yǔ)音識(shí)別。雖然處理的對(duì)象是連續(xù)語(yǔ)音，但并不追求對(duì)整句的識(shí)別和理解，而是采用“關(guān)鍵詞檢出”技術(shù)，在輸入的連續(xù)語(yǔ)音中捕捉感興趣的部分對(duì)其進(jìn)行匹配，從而達(dá)到識(shí)別的目的。不論這一方式是否師從于國(guó)外公司，技術(shù)研發(fā)與應(yīng)用階段性的交替進(jìn)行，避免了市場(chǎng)對(duì)技術(shù)的過(guò)高期待，也就壓制了泡沫的產(chǎn)生。

　　一向具有前瞻性的重量級(jí)IT公司在迎合中國(guó)這次語(yǔ)音識(shí)別市場(chǎng)發(fā)展機(jī)會(huì)之時(shí)，又一次流露出了對(duì)市場(chǎng)發(fā)展高峰之后充分準(zhǔn)備，也讓人們看到了在可能出現(xiàn)的“第二次浪潮”后的遠(yuǎn)景。20世紀(jì)50年代就開(kāi)始語(yǔ)音識(shí)別技術(shù)研究的IBM 不斷推出新的ViaVoice版本，把語(yǔ)音技術(shù)應(yīng)用到PDA、智能汽車上。它也提供語(yǔ)音開(kāi)發(fā)工具SDK，希望締造一個(gè)全方位的語(yǔ)音平臺(tái)。然而，不論中國(guó)語(yǔ)音識(shí)別第二次浪潮會(huì)怎樣來(lái)臨，語(yǔ)音識(shí)別產(chǎn)品本身會(huì)給IBM帶來(lái)利益是毫無(wú)疑問(wèn)的。在最近的“IBM亞太區(qū)電子商務(wù)解決方案亞洲巡展中國(guó)站”北京研討會(huì)上，IBM還現(xiàn)場(chǎng)演示了如何利用語(yǔ)音識(shí)別來(lái)控制家電設(shè)備。

　　微軟也已經(jīng)把語(yǔ)音識(shí)別技術(shù)集成到了多個(gè)領(lǐng)軍產(chǎn)品中，包括Office和Windows XP，其最新的語(yǔ)音識(shí)別服務(wù)器軟件Speech Server準(zhǔn)備在2004年上半年發(fā)布。該軟件允許用戶使用語(yǔ)音命令對(duì)電腦進(jìn)行操作，企業(yè)也可以利用它建立一種類似于自動(dòng)電話系統(tǒng)的服務(wù)。對(duì)于語(yǔ)音識(shí)別技術(shù)，微軟把希望寄托于1998年成立的微軟亞洲研究院，大力投入到語(yǔ)音開(kāi)發(fā)工具的研究和全力支持SALT規(guī)范（語(yǔ)音應(yīng)用語(yǔ)言標(biāo)記標(biāo)準(zhǔn)，可能與之前的語(yǔ)音可擴(kuò)展標(biāo)記語(yǔ)言VoiceXML形成對(duì)立狀態(tài)）上。

　　微軟當(dāng)然看到了中國(guó)語(yǔ)音識(shí)別市場(chǎng)快速發(fā)展，但它的眼光更遠(yuǎn)的放在了這一次技術(shù)應(yīng)用的高峰之后。微軟亞洲研究院語(yǔ)音組主任研究員張益肇博士說(shuō)，“語(yǔ)音技術(shù)將會(huì)無(wú)處不在，隨處都會(huì)有語(yǔ)音平臺(tái)的用武之地，此項(xiàng)技術(shù)是微軟亞洲研究院的重心之一。微軟在醞釀?wù)Z音技術(shù)更長(zhǎng)遠(yuǎn)的應(yīng)用，五年、十五年，或許更長(zhǎng)時(shí)間—技術(shù)成熟度是決定因素�！蔽④浹壑�，真正的高峰在于語(yǔ)音識(shí)別技術(shù)使用戶以最自然方式操作電腦—這就是比爾·蓋茨提出的Natural Computing。

互聯(lián)網(wǎng)周刊


相關(guān)鏈接:
《華爾街日?qǐng)?bào)》：讓語(yǔ)音識(shí)別軟件解放你的手 2003-09-07
綜述：得意音通到底是什么企業(yè) 2003-08-27
語(yǔ)音應(yīng)用客戶滿意度調(diào)研 2003-07-29
Nuance Voice Platform - NVP 2.0語(yǔ)音平臺(tái) 2003-07-22
德國(guó)“帶耳朵芯片”走進(jìn)生活 2003-07-14

分類信息:     文摘   技術(shù)_語(yǔ)音識(shí)別_文摘