谷歌等語音識(shí)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(shí)別技術(shù)還不夠成熟，較為機(jī)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(shí)別和人工智能領(lǐng)域取得的突破讓一項(xiàng)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(shí)別更為智能，大幅改善了識(shí)別質(zhì)量。未來，市場(chǎng)上或?qū)⒊霈F(xiàn)準(zhǔn)確率與人類相當(dāng)或水平更高的語音識(shí)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(gè)頑固的孩子講道理一樣。如果你曾經(jīng)對(duì)著你的Xbox大吼，或者咒罵Siri，那說明你可能已經(jīng)對(duì)語音識(shí)別失望了。

技術(shù)突破

但是研究人員稱，人類近期在語音識(shí)別和人工智能領(lǐng)域取得的突破將很快會(huì)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(qiáng)大的新型設(shè)備就會(huì)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(xì)微差別。

沙爾克維克正在谷歌從事一項(xiàng)野心勃勃的研究項(xiàng)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(shí)驗(yàn)室測(cè)試的一個(gè)項(xiàng)目能夠使計(jì)算機(jī)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(jī)器學(xué)習(xí)領(lǐng)域近期的創(chuàng)新應(yīng)該會(huì)大幅提升語音識(shí)別的能力，緩解人們的不滿情緒。Siri開發(fā)團(tuán)隊(duì)中有人表示，工程師們都在狂熱地開發(fā)語音識(shí)別技術(shù)，令其足夠智能，以實(shí)現(xiàn)設(shè)備與用戶真正地對(duì)話。“語音識(shí)別技術(shù)對(duì)所有地區(qū)口語的理解能力已取得長(zhǎng)足的進(jìn)步，”Siri底層礎(chǔ)技術(shù)的開發(fā)公司SRI International(后被蘋果收購(gòu))副總裁威廉·馬克(William Mark)稱，“這種對(duì)話式互動(dòng)現(xiàn)在成為了一種前沿技術(shù)。”

蒂姆·圖特勒(Tim Tuttle)對(duì)語音識(shí)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(shí)驗(yàn)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(gè)系統(tǒng)研發(fā)，將復(fù)雜的語音指令加入到移動(dòng)應(yīng)用中。這款應(yīng)用能夠允許用戶進(jìn)入一家商店后向手機(jī)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(zhǔn)測(cè)試，得出的結(jié)論是難以實(shí)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(duì)語音識(shí)別進(jìn)行了加倍投資，主要得益于我們所看到的這些技術(shù)進(jìn)步，”圖特勒表示，“你將發(fā)現(xiàn)，那些在準(zhǔn)確率上與人相當(dāng)、或比人更高的語音識(shí)別系統(tǒng)實(shí)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(gè)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(jìn)步”。

新發(fā)現(xiàn)讓一項(xiàng)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(jì)80年代在預(yù)測(cè)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(shí)過慢的計(jì)算機(jī)速度。神經(jīng)網(wǎng)絡(luò)在近期才成為一個(gè)可行的選擇，這要?dú)w功于計(jì)算機(jī)處理速度的大幅提升和新軟件技術(shù)的發(fā)展。

谷歌的實(shí)驗(yàn)室項(xiàng)目就是基于神經(jīng)網(wǎng)絡(luò)研究。6個(gè)月前，谷歌團(tuán)隊(duì)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(chǔ)更多信息，處理更長(zhǎng)、更復(fù)雜的序列。谷歌的創(chuàng)新成果在于對(duì)底層代碼的簡(jiǎn)化，允許軟件在相同系統(tǒng)中存儲(chǔ)更多觀點(diǎn)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(huì)損害其長(zhǎng)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(duì)談話的場(chǎng)所和真正含義進(jìn)行預(yù)測(cè)，就像人在談話時(shí)大腦所做的一樣。谷歌的新網(wǎng)絡(luò)技術(shù)應(yīng)該會(huì)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(qǐng)求。

為了解釋未來語音識(shí)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(jí)越南餐館作為例子。這家餐館名為Xanh Restaurant。沙爾克維克稱，對(duì)于典型的語音識(shí)別系統(tǒng)來說，識(shí)別出這個(gè)餐館名字的發(fā)音是個(gè)挑戰(zhàn)，因?yàn)閄anh的發(fā)音為“zahn”，識(shí)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(huì)立刻減少很多，”他說，“使用這種語義知識(shí)，我們能夠大幅改善語音識(shí)別的質(zhì)量。”

這聽起來簡(jiǎn)單，但對(duì)于計(jì)算機(jī)來說，聽到一個(gè)詞匯，從句子中識(shí)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(fèi)時(shí)間的事情。如今，谷歌語音搜索能夠正確識(shí)別餐館，也許就是因?yàn)槠溟_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(shí)別取得了“數(shù)量空前多”的技術(shù)進(jìn)步。盡管谷歌取得的重大進(jìn)步還需要一到兩年時(shí)間才能在手機(jī)上體現(xiàn)出來，該項(xiàng)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(zhǔn)備登月，與此同時(shí)，你也開發(fā)出了另外100項(xiàng)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(shí)別技術(shù)或許僅能識(shí)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(jī)語音識(shí)別應(yīng)用能夠準(zhǔn)確猜中12/13的單詞。“未來，我們將會(huì)生活在一個(gè)設(shè)備沒有鍵盤的世界里，”圖特勒說。