人工智能通過(guò)語(yǔ)音技術(shù)來(lái)聽(tīng)懂人類的語(yǔ)言

（文章來(lái)源：百度智能云）

你可能發(fā)現(xiàn)這樣的場(chǎng)景，當(dāng)你坐在沙發(fā)上說(shuō)一聲“打開(kāi)電視機(jī)”，不需要遙控器，你就可以盡情觀賞電視節(jié)目；跟朋友聊天，無(wú)需手動(dòng)敲字，語(yǔ)音輸入后便可實(shí)時(shí)轉(zhuǎn)化成文字，發(fā)送給對(duì)方，既省時(shí)又省事。這是怎么回事呢？這些設(shè)備是如何聽(tīng)懂我們的語(yǔ)言的呢？這里不得不提的，就是語(yǔ)音識(shí)別技術(shù)。“什么是語(yǔ)音識(shí)別？語(yǔ)音識(shí)別是完成從語(yǔ)音信息到機(jī)器可識(shí)別文本信息的轉(zhuǎn)化過(guò)程。”

語(yǔ)音識(shí)別就是讓機(jī)器擁有“耳朵”。當(dāng)然，不是簡(jiǎn)單的給機(jī)器裝臺(tái)收音器就可以實(shí)現(xiàn)，它需要不斷的進(jìn)化。這就好像是人的聽(tīng)覺(jué)系統(tǒng)的成長(zhǎng)。一個(gè)出生的嬰兒能聽(tīng)到聲音，但是聽(tīng)不懂，往后隨著年齡的增長(zhǎng)，不斷的學(xué)習(xí)、訓(xùn)練，能聽(tīng)懂的東西越來(lái)越多。機(jī)器的語(yǔ)音識(shí)別也有類似的成長(zhǎng)過(guò)程。語(yǔ)音識(shí)別技術(shù)的研究最早可以追溯到上世紀(jì)50年代，當(dāng)時(shí)的效果并不好。

直到21世紀(jì)初，特別是近10年，借助機(jī)器學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)研究的發(fā)展，以及大數(shù)據(jù)語(yǔ)料的積累，語(yǔ)音識(shí)別技術(shù)才有了突飛猛進(jìn)的發(fā)展。如今，語(yǔ)音識(shí)別的正確率已經(jīng)接近甚至部分超過(guò)了人類。比如，2017年，IBM、微軟相繼宣稱自家產(chǎn)品的語(yǔ)音識(shí)別錯(cuò)誤率接近了人類，人類的語(yǔ)音識(shí)別錯(cuò)誤率大約為5.1%，而百度更是通過(guò)像百度大腦中語(yǔ)音語(yǔ)義一體化這樣的技術(shù)，把語(yǔ)音識(shí)別錯(cuò)誤率控制在了3%左右。

根據(jù)識(shí)別內(nèi)容的范圍，語(yǔ)音識(shí)別可分為“封閉域識(shí)別”和“開(kāi)放域識(shí)別”兩大類。封閉域識(shí)別，識(shí)別范圍為預(yù)先指定的字/詞集合，即算法只在開(kāi)發(fā)者預(yù)先設(shè)定的封閉域識(shí)別詞的集合內(nèi)進(jìn)行語(yǔ)音識(shí)別，對(duì)范圍之外的語(yǔ)音會(huì)拒識(shí)。因此，可將其聲學(xué)模型和語(yǔ)言模型進(jìn)行裁剪，使得識(shí)別引擎的運(yùn)算量變小。并且，可將引擎封到嵌入式芯片或者本地化的SDK中，從而使識(shí)別過(guò)程完全脫離云端，擺脫對(duì)網(wǎng)絡(luò)的依賴，并且不會(huì)影響識(shí)別率。

典型的應(yīng)用場(chǎng)景是，不涉及到多輪交互和多種語(yǔ)義說(shuō)法的場(chǎng)景。比如，智能家居，主要指只能進(jìn)行簡(jiǎn)單指令交互的智能家居和電視盒子，語(yǔ)音控制指令一般只有“打開(kāi)窗簾”、“打開(kāi)電視”等，或者語(yǔ)音喚醒功能“小度小度”。開(kāi)放域識(shí)別，無(wú)需預(yù)先指定識(shí)別詞集合，算法將在整個(gè)語(yǔ)言大集合范圍中進(jìn)行識(shí)別。

為適應(yīng)此類場(chǎng)景，聲學(xué)模型和語(yǔ)言模型一般都比較大，引擎運(yùn)算量也較大。因此，業(yè)界廠商基本上都只以云端形式提供。比如，百度云就可以提供這樣的產(chǎn)品。具體而言，開(kāi)放域識(shí)別按照音頻錄入和結(jié)果獲取方式又可將產(chǎn)品形態(tài)分為3種：

產(chǎn)品形態(tài)一：流式上傳-同步獲取，應(yīng)用/軟件會(huì)對(duì)說(shuō)話人的語(yǔ)音進(jìn)行自動(dòng)錄制，并將其連續(xù)上傳至云端，說(shuō)話人在說(shuō)完話的同時(shí)能實(shí)時(shí)地看到返回的文字。典型應(yīng)用場(chǎng)景：語(yǔ)音輸入法、實(shí)時(shí)字幕、語(yǔ)音筆記。

產(chǎn)品形態(tài)二：已錄制音頻文件上傳-異步獲取，音頻時(shí)長(zhǎng)一般小于5小時(shí)。典型應(yīng)用場(chǎng)景：音/視頻字幕配置、實(shí)時(shí)性要求不高的客服語(yǔ)音質(zhì)檢和語(yǔ)音內(nèi)容審查等。

產(chǎn)品形態(tài)三：已錄制音頻文件上傳-同步獲取，音頻時(shí)長(zhǎng)一般小于1分鐘。典型應(yīng)用場(chǎng)景：語(yǔ)音搜索、更智能的機(jī)器人語(yǔ)音交互。

當(dāng)前，百度語(yǔ)音識(shí)別技術(shù)已經(jīng)全面開(kāi)放，包括語(yǔ)音識(shí)別、長(zhǎng)語(yǔ)音識(shí)別、遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別、呼叫中心實(shí)時(shí)語(yǔ)音識(shí)別、呼叫中心音頻文件轉(zhuǎn)寫(xiě)五大類別，數(shù)十項(xiàng)基礎(chǔ)技術(shù)，并服務(wù)于眾多開(kāi)發(fā)者。通過(guò)這樣的介紹，你大概了解到計(jì)算機(jī)的“耳朵”是如何練成的吧。如果在實(shí)踐中，智能音箱這類產(chǎn)品聽(tīng)不懂你的話，你可以多說(shuō)幾遍，像對(duì)待孩子那樣。只要這樣，智能音箱就會(huì)越來(lái)越懂你。