谷歌等語音識別技術(shù)水平或超人類 暫未投入使用

彭博社發(fā)表分析文章稱，現(xiàn)在的語音識別技術(shù)還不夠成熟，較為機械，一些模糊不清的詞匯難以辨別，也不能通過語境理解用戶的真正意圖。但是，近期語音識別和人工智能領(lǐng)域取得的突破讓一項數(shù)十年前就已問世的數(shù)字神經(jīng)網(wǎng)絡(luò)技術(shù)獲得重生。谷歌正在此神經(jīng)網(wǎng)絡(luò)技術(shù)的基礎(chǔ)上開發(fā)可以整合其海量數(shù)據(jù)的語音系統(tǒng)，其能夠讓語音識別更為智能，大幅改善了識別質(zhì)量。未來，市場上或?qū)⒊霈F(xiàn)準確率與人類相當(dāng)或水平更高的語音識別系統(tǒng)。

以下是文章全文：

與數(shù)字語音助手聊天產(chǎn)生的樂趣大概就像你努力與一個頑固的孩子講道理一樣。如果你曾經(jīng)對著你的Xbox大吼，或者咒罵Siri，那說明你可能已經(jīng)對語音識別失望了。

技術(shù)突破

但是研究人員稱，人類近期在語音識別和人工智能領(lǐng)域取得的突破將很快會大幅提升設(shè)備的理解能力。谷歌著名工程師約翰·沙爾克維克(Johan Schalkwyk)表示，只需一到兩年，這種性能強大的新型設(shè)備就會問世。它不僅能夠聽懂人們說話的意思，還明白上下文的關(guān)聯(lián)與細微差別。

沙爾克維克正在谷歌從事一項野心勃勃的研究項目，開發(fā)能夠整合公司海量數(shù)據(jù)的語音系統(tǒng)。他表示，目前正在實驗室測試的一個項目能夠使計算機聽懂并在本質(zhì)上“思考”人們向谷歌設(shè)備輸入的語音。

語音和機器學(xué)習(xí)領(lǐng)域近期的創(chuàng)新應(yīng)該會大幅提升語音識別的能力，緩解人們的不滿情緒。Siri開發(fā)團隊中有人表示，工程師們都在狂熱地開發(fā)語音識別技術(shù)，令其足夠智能，以實現(xiàn)設(shè)備與用戶真正地對話。“語音識別技術(shù)對所有地區(qū)口語的理解能力已取得長足的進步，”Siri底層礎(chǔ)技術(shù)的開發(fā)公司SRI International(后被蘋果收購)副總裁威廉·馬克(William Mark)稱，“這種對話式互動現(xiàn)在成為了一種前沿技術(shù)。”

蒂姆·圖特勒(Tim Tuttle)對語音識別技術(shù)的飛躍等待已久。他在1997年取得了麻省理工學(xué)院的博士學(xué)位，并在該校人工智能實驗室任職。過去10年，他先后在多家硅谷公司工作，并最終在2010年創(chuàng)建了自己的公司Expect Labs。圖特勒的公司去年開始從事一個系統(tǒng)研發(fā)，將復(fù)雜的語音指令加入到移動應(yīng)用中。這款應(yīng)用能夠允許用戶進入一家商店后向手機詢問要買的掃帚在哪一條貨架走道。

“一年前，我們做了一次基準測試，得出的結(jié)論是難以實現(xiàn)這一功能。但是現(xiàn)在，一切都已經(jīng)發(fā)生了改變。我們公司對語音識別進行了加倍投資，主要得益于我們所看到的這些技術(shù)進步，”圖特勒表示，“你將發(fā)現(xiàn)，那些在準確率上與人相當(dāng)、或比人更高的語音識別系統(tǒng)實現(xiàn)商業(yè)化。”

舊技術(shù)獲重生

先來迅速回顧一條歷史教訓(xùn)：兩年半前，谷歌和多倫多大學(xué)的研究人員發(fā)表了一篇頗有影響力的論文，內(nèi)容關(guān)于使用“深度神經(jīng)網(wǎng)絡(luò)”在電腦中模擬語音。幾個月后，微軟和IBM合作發(fā)表了另外一篇論文。谷歌工程師杰夫·迪恩(Jeff Dean)將這兩篇論文稱之為“語音研究領(lǐng)域20年來取得的最大的一次進步”。

新發(fā)現(xiàn)讓一項問世數(shù)十年的數(shù)字神經(jīng)網(wǎng)絡(luò)技術(shù)創(chuàng)新獲得了重生。該技術(shù)在上世紀80年代在預(yù)測和分析大數(shù)據(jù)方面表現(xiàn)優(yōu)異，但發(fā)展受制于當(dāng)時過慢的計算機速度。神經(jīng)網(wǎng)絡(luò)在近期才成為一個可行的選擇，這要歸功于計算機處理速度的大幅提升和新軟件技術(shù)的發(fā)展。

谷歌的實驗室項目就是基于神經(jīng)網(wǎng)絡(luò)研究。6個月前，谷歌團隊放棄了一種名為前饋神經(jīng)網(wǎng)絡(luò)的舊方法，轉(zhuǎn)而使用遞歸神經(jīng)網(wǎng)絡(luò)。這一轉(zhuǎn)換使得系統(tǒng)能夠存儲更多信息，處理更長、更復(fù)雜的序列。谷歌的創(chuàng)新成果在于對底層代碼的簡化，允許軟件在相同系統(tǒng)中存儲更多觀點和概念，使之易于問出復(fù)雜的問題和得出合理答案。 “系統(tǒng)構(gòu)建得復(fù)雜會損害其長期發(fā)展，”沙爾克維克說。

谷歌系統(tǒng)現(xiàn)在使用上下文、物理定位及其它了解到的說話者信息對談話的場所和真正含義進行預(yù)測，就像人在談話時大腦所做的一樣。谷歌的新網(wǎng)絡(luò)技術(shù)應(yīng)該會更高效，從而能夠處理比以往更多的數(shù)據(jù)，回答更為復(fù)雜的請求。

為了解釋未來語音識別技術(shù)的工作原理，沙爾克維克使用了距離谷歌加州山景城總部幾英里之外的高級越南餐館作為例子。這家餐館名為Xanh Restaurant。沙爾克維克稱，對于典型的語音識別系統(tǒng)來說，識別出這個餐館名字的發(fā)音是個挑戰(zhàn)，因為Xanh的發(fā)音為“zahn”，識別起來十分困難。“如果我能使用地圖，然后說‘這是一家餐館，它位于加州’，那么可供參考的餐館數(shù)量就會立刻減少很多，”他說，“使用這種語義知識，我們能夠大幅改善語音識別的質(zhì)量。”

這聽起來簡單，但對于計算機來說，聽到一個詞匯，從句子中識別上下文，然后根據(jù)地理位置分析信息是一件極為困難和耗費時間的事情。如今，谷歌語音搜索能夠正確識別餐館，也許就是因為其開發(fā)者是餐館老顧客的原因。沙爾克維克稱，未來谷歌將能處理其他同樣存在語音模糊不清的眾多問題。

沙爾克維克表示，在谷歌內(nèi)部，語音識別取得了“數(shù)量空前多”的技術(shù)進步。盡管谷歌取得的重大進步還需要一到兩年時間才能在手機上體現(xiàn)出來，該項目已經(jīng)催生出了可用于谷歌其他業(yè)務(wù)的技術(shù)。“你開發(fā)一些技術(shù)準備登月，與此同時，你也開發(fā)出了另外100項有用的技術(shù)，”沙爾克維克說。

沙爾克維克稱，三年前，谷歌語音識別技術(shù)或許僅能識別3/4的單詞。而如今，圖特勒稱，得益于創(chuàng)新速度的加快，谷歌手機語音識別應(yīng)用能夠準確猜中12/13的單詞。“未來，我們將會生活在一個設(shè)備沒有鍵盤的世界里，”圖特勒說。