語音識別相信大家并不陌生，近些年來語音識別技術(shù)的應用層出不窮，同時也更加智能。從開始我們簡單的詢問“你是誰”，到現(xiàn)在可以與我們進行多輪對話，理解我們的意思甚至是心情，語音識別已經(jīng)實現(xiàn)了長足的發(fā)展。可能大多數(shù)人覺得語音識別是近些年才出現(xiàn)的技術(shù)，其實不然，下面讓我們一起從語音技術(shù)的歷史展開來看。

Part 01 語音識別近70年發(fā)展史

1952年，貝爾實驗室發(fā)明了自動數(shù)字識別機，科學家對智能語音有了模糊的概念，可能這時科學家們就已經(jīng)在暢想我們?nèi)缃駥崿F(xiàn)的這一切。

1964年，IBM在世界博覽會上推出了數(shù)字語音識別系統(tǒng)，語音技術(shù)也自此走出了實驗室，為更多人知曉，貝爾實驗室的夢想也變成了更多人的夢想。

1980年，聲龍推出了第一款語音識別產(chǎn)品Dragon Dictate，這是第一款面向消費者的語音識別產(chǎn)品。雖然夢想第一次照進了現(xiàn)實，但其高達9000美元的售價，很大程度增加了智能語音技術(shù)的普及難度。

1997年，IBM推出它的第一個語音識別產(chǎn)品Via Voice。在中國市場，IBM適配了四川、上海、廣東等地方方言，Via Voice也真正的為更多消費者接觸、使用到。

2011年，蘋果首次在iphone4s上加入智能語音助手Siri。至此，智能語音與手機深度綁定，進入廣大消費者的日常生活。隨后國內(nèi)各大手機廠商也先后跟進，為手機消費者提供了五彩繽紛的語音識別功能。

此后，語音識別技術(shù)的應用，并沒有局限于手機，而是擴展到了各種場景。從各種智能家居，如智能機器人、智能電視、智能加濕器等，到現(xiàn)在智能汽車，各大傳統(tǒng)廠商以及造車新勢力紛紛積極布局智能座艙?？梢娭悄苷Z音技術(shù)已經(jīng)在我們的衣食住行各個方面得到了廣泛應用。

Part 02 語音識別技術(shù)簡介

語音識別技術(shù)，也被稱為自動語音識別(Automatic Speech Recognition，ASR)，其目標是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計算機可讀的輸入。語音識別技術(shù)屬于人工智能方向的一個重要分支，涉及許多學科，如信號處理、計算機科學、語言學、聲學、生理學、心理學等，是人機自然交互技術(shù)中的關(guān)鍵環(huán)節(jié)。

Part 03 語音識別基本流程

ASR：指自動語音識別技術(shù)(Automatic Speech Recognition)，是一種將人的語音轉(zhuǎn)換為文本的技術(shù)。

NLU：自然語言理解(Natural Language Understanding, NLU)是所有支持機器理解文本內(nèi)容的方法模型或任務的總稱。

NLG：自然語言生成(Natural Language Generation，NLG)是一種通過計算機在特定交互目標下生成語言文本的自動化過程，其主要目的是能夠自動化構(gòu)建高質(zhì)量的生成人類能夠理解的語言文本。

上圖展示了一個語音識別的基本流程，用戶發(fā)出指令后，mic收集音頻，完成聲音到波形圖的轉(zhuǎn)換，通過波形圖與人類發(fā)音的波形圖做對比，可以識別出說的具體音節(jié)，通過音節(jié)，組合成詞、句子，再結(jié)合大數(shù)據(jù)分析出說的最匹配的話，然后NLU模塊開始工作，分析出這句話的意圖(intent)、域(Domain)等各種信息。分析出意圖后開始對話管理DM(Dialog Manager)，通過后臺數(shù)據(jù)查詢應該給用戶什么反饋。然后交給NLG模塊，通過查出來的信息，生成自然語言，最后通過TTS模塊，將文字轉(zhuǎn)回成波形圖并播放聲音。

上面的流程涉及到的學科、知識都比較多，由于篇幅原因，不一一展開描述，在這里我節(jié)選出ASR來進行相對詳細些的學習。

Part 04 ASR實現(xiàn)原理簡單剖析

我們首先從ASR聲音源來看，當一位用戶發(fā)出指令，比如說：我愛你。這時麥克風會收集音頻到存儲設備。我們通過音頻處理軟件(如Audacity)打開后可以發(fā)現(xiàn)音頻是一段波形圖。

但是這段波形圖并沒有什么直觀的有意義的信息，它的高低只代表了聲音的大小，橫軸也僅僅是時間。語音識別本身是基于大數(shù)據(jù)的分析技術(shù)，分析的基礎是數(shù)據(jù)的準確，聲音大小和發(fā)音的時間長短很難有什么統(tǒng)計學的意義，所以此時我們需要對音頻進行處理。(這段波形圖是四句我愛你的波形圖)。

處理的一種常用方法是傅里葉變換，通過傅里葉變換，我們可以將時間維度的波形圖，轉(zhuǎn)換成頻率維度的波形圖。

語音識別技術(shù)的發(fā)展歷史可以追溯到20世紀50年代初期。在那個時候，人們開始嘗試將語音轉(zhuǎn)化為文本，以便于計算機的處理。隨著計算機技術(shù)的發(fā)展，語音識別技術(shù)也逐漸得到了改進和完善。本文將詳細介紹語音識別技術(shù)的發(fā)展歷史。

20世紀50年代初期，貝爾實驗室的研究人員開始嘗試將語音轉(zhuǎn)化為文本。他們使用了一種叫做“Audrey”的設備，通過對話框架來實現(xiàn)語音識別。這種設備仍然十分原始，只能夠識別一些簡單的單詞和數(shù)字。

20世紀60年代，語音識別技術(shù)得到了進一步的發(fā)展。美國國防部資助了一項名為“Harpy”的研究計劃，旨在開發(fā)一種可以識別語音的系統(tǒng)。Harpy系統(tǒng)可以識別1,011個單詞，但是其準確率仍然較低。

20世紀70年代，語音識別技術(shù)得到了一些重大的進展。IBM公司開發(fā)了一種名為“Shoebox”的語音識別系統(tǒng)，可以識別1,000個單詞。這種系統(tǒng)使用了一些新的技術(shù)，如動態(tài)時間規(guī)整(DTW)等。

美國知名投資機構(gòu)Mangrove Capital Partners在《2019年語音技術(shù)報告》中，給語音下了一個宏大的定義——歡迎下一代的顛覆者。

可如果把時間倒退10年，大部分人還是會把“語音交互”定義為一場豪賭，都知道贏面比較大，卻遲遲不敢下注，因為概念的落地還沒有一個明確的期限，當正確的路徑被走通之前，永遠都存在不確定性。

不過在此前的80年里，人類對語音技術(shù)的希望從未破滅，就像是在迷宮中找尋出口一般，一遍又一遍的試錯，最終找到了正確的路徑。

01 漫長的孩提時代“小度小度，明天天氣怎么樣?”“小度小度，我想聽周杰倫的歌” “小度小度，我想給爸爸打電話”，諸如這樣的指令每天有幾億次發(fā)生，哪怕是牙牙學語的孩子也可以和智能音箱進行流暢的對話。

但在50年前，就職于貝爾實驗室的約翰·皮爾斯卻在一封公開信中為語音識別下了“死亡診斷書”：就像是把水轉(zhuǎn)化為汽油、從海里提取金子、徹底治療癌癥，讓機器識別語音幾乎是不可能實現(xiàn)的事情。

彼時距離首個能夠處理合成語音的機器出現(xiàn)已經(jīng)過去30年的時間，距離發(fā)明出能夠聽懂從0到9語音數(shù)字的機器也過去了17個年頭。這兩項創(chuàng)造性的發(fā)明均出自貝爾實驗室，但語音識別技術(shù)的緩慢進展，幾乎消磨掉了所有人的耐心。

在20世紀的大部分時間里，語音識別技術(shù)就像是一場不知方向的長征，時間刻度被拉長到了10年之久：

上世紀60年代，時間規(guī)整機制、動態(tài)時間規(guī)整和音素動態(tài)跟蹤三個關(guān)鍵技術(shù)奠定了語音識別發(fā)展的基礎;

上世紀70年代，語音識別進入了快速發(fā)展的階段，模式識別思想、動態(tài)規(guī)劃算法、線性預測編碼等開始應用;

上世紀80年代，語音識別開始從孤立詞識別系統(tǒng)向大詞匯量連續(xù)語音識別系統(tǒng)發(fā)展，基于GMM-HMM的框架成為語音識別系統(tǒng)的主導框架;

上世紀90年代，出現(xiàn)了很多產(chǎn)品化的語音識別系統(tǒng)，比如IBM的Via-vioce系統(tǒng)、微軟的Whisper系統(tǒng)、英國劍橋大學的HTK系統(tǒng);

但在進入21世紀后，語音識別系統(tǒng)的錯誤率依然很高，再次陷到漫長的瓶頸期。直到2006年Hiton提出用深度置信網(wǎng)絡初始化神經(jīng)網(wǎng)絡，使得訓練深層的神經(jīng)網(wǎng)絡變得容易，從而掀起了深度學習的浪潮。

只是在2009年之前70年左右的漫長歲月里，中國在語音識別技術(shù)上大多處于邊緣角色，1958年中國科學院聲學所利用電子管電路識別10個元音，1973年中國科學院聲學所開始了計算機語音識別，然后是863計劃開始開始組織語音識別技術(shù)的研究，直到百度、科大訊飛等中國企業(yè)的崛起。

02 躍進的少年時代2010年注定是語音識別的轉(zhuǎn)折點。

前一年Hinton和D.Mohamed將深度神經(jīng)網(wǎng)絡應用于語音的聲學建模，在小詞匯量連續(xù)語音識別數(shù)據(jù)庫TIMIT上獲得成功。

從2010年開始，微軟的俞棟、鄧力等學者首先嘗試將深度學習技術(shù)引入到語音識別領域，并確立了三個維度的標準：

數(shù)據(jù)量的多少，取決于搜索量、使用量的規(guī)模;

算法的優(yōu)劣，頂級人才扮演者至關(guān)重要的角色;

計算力的水平，關(guān)鍵在于FPGA等硬件的發(fā)展。

在這三個維度的比拼中，誰擁有數(shù)據(jù)上的優(yōu)勢，誰聚集了頂級的人才，誰掌握著強大的計算能力，多半會成為這場較量中的優(yōu)勝方。于是在語音識別的“少年時代”，終于開始了躍進式的發(fā)展，刷新紀錄的時間間隔被壓縮到幾年到幾個月。

2016年語音識別的準確率達到90%，但在這年晚些時候，微軟公開表示語音識別系統(tǒng)的詞錯率達到了5.9%，等同于人類速記同樣一段對話的水平，時任百度首席科學家吳恩達發(fā)聲稱百度在2015年末即達到了同等水平;2017年6月，Google表示語音識別的準確率達到95%，而早在10個月前的時候，李彥宏就在百度世界大會上宣布了百度語音識別準確率達到97%的消息。

一個有些“奇怪”的現(xiàn)象，為何在語音識別領域缺少前期積累的中國，可以在極短的時間內(nèi)實現(xiàn)從無到有，甚至有后發(fā)先至的趨勢?可以找到的原因有二：

首先，傳統(tǒng)專利池被挑戰(zhàn)，競爭回歸技術(shù)。

語音識別進入深度學習時代，并沒有背負太多的專利包袱，中美玩家們有機會站在了同一起跑線上。

比如2013年百度的語音識別技術(shù)還主要基于mel-bank的子帶CNN模型;2014年就獨立發(fā)展出了Sequence Discriminative Training(區(qū)分度模型);2015年初推出基于LSTM –HMM的語音識別，年底發(fā)展出基于LSTM-CTC的端對端語音識別系統(tǒng);2016年和2017年將Deep CNN模型和 LSTM、CTC結(jié)合起來，2018年推出Deep Peak 2模型，2019年又發(fā)布了流式多級的截斷注意力模型……

而在不久前結(jié)束的百度AI開發(fā)者大會上，百度還推出了針對遠場語音交互的鴻鵠芯片，可以實現(xiàn)遠場陣列信號實時處理，高精度超低誤報語音喚醒以及離線語音識別。

其次，語音識別進入到生態(tài)化、產(chǎn)業(yè)化的時代。

在Google發(fā)布了語音開放API后，對Nuance產(chǎn)生了致命的打擊，不僅僅是Google在產(chǎn)品和技術(shù)上的優(yōu)勢，也來自于Google強大的人工智能技術(shù)生態(tài)，例如以TensorFlow為代表的深度學習引擎。