語音識別64年大突破

□文/姜姝姝

語音識別64年大突破

□文/姜姝姝

語言，之所以重要，在于人類的思維能力是伴隨著它的產(chǎn)生而迅速發(fā)展的，這也是人類在智能上區(qū)別于其他物種的原因。語音識別，作為人工智能應(yīng)用的一個(gè)場景，也是研究者們一直試圖解決的問題。

今年10月底，微軟宣布語音識別實(shí)現(xiàn)了歷史性突破，詞錯(cuò)率僅 5.9%，英語的語音轉(zhuǎn)錄達(dá)到專業(yè)速錄員水平，微軟的此次突破是機(jī)器的識別能力在英語水平上第一次超越人類。微軟的這條消息發(fā)布之后在業(yè)內(nèi)引起了極大的關(guān)注。語音識別一直是國內(nèi)外許多科技公司重點(diǎn)發(fā)展的技術(shù)之一，百度首席科學(xué)家吳恩達(dá)就發(fā)推特恭賀微軟在英語語音識別上的突破，同時(shí)也回憶起一年前百度在漢語語音識別上的突破，其Deep Speech 2 的短語識別的詞錯(cuò)率已經(jīng)降到了3.7%，Deep Speech 2 轉(zhuǎn)錄某些語音的能力基本上是超人級的，能夠比普通話母語者更精確地轉(zhuǎn)錄較短的查詢。

夢想從貝爾實(shí)驗(yàn)室開始

不久前，麻省理工學(xué)院(MIT)主辦的知名科技期刊《麻省理工科技評論》(MIT Technology Review)，評選出了“2016年十大突破技術(shù)”?！堵槭±砉た萍荚u論》稱，在過去的一年里，這十項(xiàng)技術(shù)均已到達(dá)一個(gè)里程碑式的階段或即將到達(dá)這一階段。而語音識別的突破就是其中的第三項(xiàng)。

回顧人類發(fā)展史，不難看出，隨著人的不斷進(jìn)化，從最初通過手掌、肢體使用簡單工具、傳遞簡單信息，發(fā)展到控制發(fā)聲并通過耳朵接收，形成了一個(gè)以語音為載體的快速信息傳遞通道和收發(fā)閉環(huán)，成為人類間最自然、最重要的信息交互手段。聲波作為一種音頻信號，和視頻信號、無線電信號一樣是，非接觸方式的傳播，也是人類唯一可以不借助工具就可自由掌控的一種天然“無線”資源。而且聲波對接收指向性的要求更寬松，這個(gè)非常寶貴的特性會在很多場景下帶來極大便利。特別是對于一些在視覺、觸覺等方面存在障礙(如老年人、弱視、殘障人士)或不適合(如兒童需要保護(hù)視力)的龐大特定人群，語音更是最佳的交互選擇。

1946年，現(xiàn)代電子計(jì)算機(jī)出現(xiàn)后，計(jì)算機(jī)在很多事情上做得比人還好，既然如此，機(jī)器能不能懂得自然語言呢？與機(jī)器進(jìn)行語音交流，讓它聽明白你在說什么，語音識別技術(shù)是計(jì)算機(jī)一出現(xiàn)，人類就開始憧憬的一大夢想。

最早提出機(jī)器智能概念的是計(jì)算機(jī)科學(xué)之父阿蘭·圖靈，1950年他在《思想》（Mind）雜志上發(fā)表了一篇題為“計(jì)算的機(jī)器和智能”的論文。在論文中，圖靈并沒有提出什么研究方法，而是提出了一種驗(yàn)證機(jī)器是否有智能的方法：讓人和機(jī)器進(jìn)行交流，如果人無法判斷自己交流的對象是人還是機(jī)器，就說明這個(gè)機(jī)器有智能了。這種方法被后人稱作圖靈測試。圖靈其實(shí)是留下了一個(gè)問題，而非答案，但是一般認(rèn)為對自然語言的機(jī)器處理可以追溯到那個(gè)時(shí)候。

科學(xué)家認(rèn)為語音識別就好比“機(jī)器的聽覺系統(tǒng)”，該技術(shù)可以讓機(jī)器通過識別和理解，把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令。1952年，貝爾研究所，Davis等人研制了世界上第一個(gè)能識別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。1960年，英國的Denes等人研制了第一個(gè)計(jì)算機(jī)語音識別系統(tǒng)。

事實(shí)上，語音識別60多年的發(fā)展過程可以分成多個(gè)階段。早期的20多年，即從20世紀(jì)50年代到70年代，是科學(xué)家們走彎路的階段，全世界的科學(xué)家對計(jì)算機(jī)完成語音識別這類只有人才能做的事情，認(rèn)為必須先讓計(jì)算機(jī)理解自然語言，這就局限在人類學(xué)習(xí)語言的方式上了，也就是用電腦模擬人腦，這20多年的研究成果近乎為零。

賈里尼克的貢獻(xiàn)

直到1970年后，統(tǒng)計(jì)語言學(xué)的出現(xiàn)才使語音識別重獲新生，并取得了今天的飛凡成就。推動(dòng)這個(gè)技術(shù)路線轉(zhuǎn)變的關(guān)鍵人物是德里克·賈里尼克（Frederick Jelinek）和他領(lǐng)導(dǎo)的IBM華生實(shí)驗(yàn)室（T.J.Watson），開始使用統(tǒng)計(jì)方法。采用統(tǒng)計(jì)的方法，IBM將當(dāng)時(shí)的語音識別率從70%提升到90%，同時(shí)語音識別的規(guī)模從幾百單詞上升到幾萬單詞，這樣語音識別就有了從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用的可能。

《從水門事件到莫妮卡·萊溫斯基》是賈里尼克在1999年ICASSP（國際聲學(xué)、語言和信號處理大會）做的報(bào)告題目，因?yàn)樗T事件發(fā)生的時(shí)間1972年，恰好是統(tǒng)計(jì)語音識別開始的時(shí)間，而因萊溫斯基事件彈劾克林頓總統(tǒng)正好發(fā)生于當(dāng)時(shí)會議的前一年。

賈里尼克在康奈爾十年磨一劍，潛心研究信息論，終于悟出了真諦。1972年，賈里尼克到IBM華生實(shí)驗(yàn)室做學(xué)術(shù)休假，無意中領(lǐng)導(dǎo)了語音識別實(shí)驗(yàn)室，兩年后他在康奈爾和IBM之間選擇了留在IBM。

20世紀(jì)70年代的IBM有點(diǎn)像90年代的微軟和過去十年（施密特時(shí)代）的Google，任由杰出科學(xué)家做自己感興趣的研究。在那種寬松的環(huán)境里，賈里尼克等人提出了統(tǒng)計(jì)語音識別的框架結(jié)構(gòu)。

在賈里尼克之前，科學(xué)家們把語音識別問題當(dāng)作人工智能和模式匹配問題，而賈里尼克將它當(dāng)作通信問題，并用兩個(gè)隱含馬爾可夫模型（聲學(xué)模型和語言模型）把語音識別概括得清清楚楚。這個(gè)框架結(jié)構(gòu)至今仍對語音識別影響深遠(yuǎn)，它不僅從根本上使得語音識別有使用的可能，而且奠定了今天自然語言處理的基礎(chǔ)。賈里尼克后來也因此當(dāng)選美國工程院院士，并被Technology雜志評為20世紀(jì)100名發(fā)明家之一。

賈里尼克的前輩們在將統(tǒng)計(jì)的方法應(yīng)用于語音識別時(shí)，遇到了兩個(gè)不可逾越的障礙：缺乏計(jì)算能力強(qiáng)大的計(jì)算機(jī)和大量可以用于統(tǒng)計(jì)的機(jī)讀文本語料，最后前輩們不得不選擇放棄。20世紀(jì)的IBM，雖然計(jì)算機(jī)的計(jì)算能力不能和今天相比，但已可以做不少事了，賈里尼克和他的同事需要解決的問題就是如何找到大量的機(jī)讀語料。好在當(dāng)時(shí)有一項(xiàng)全球性的業(yè)務(wù)是通過電信網(wǎng)連接在一起的，那就是電傳，IBM的科學(xué)家最初就是通過電傳業(yè)務(wù)的文本開始進(jìn)行研究的。

肺部充血、出血、水腫，氣管內(nèi)充滿血色泡沫狀液體。肝臟淤血。腎腫脹，充血、出血，皮質(zhì)部有針尖大小出血點(diǎn)。脾臟腫大呈暗紅色，質(zhì)地柔軟。胃黏膜紅腫，充血、出血。喉頭充血、出血，扁桃體高度腫大，充血、出血。

為什么當(dāng)初是沒有什么語音識別基礎(chǔ)的IBM，而不是在這個(gè)領(lǐng)域里有很長研究時(shí)間的貝爾實(shí)驗(yàn)室或者卡內(nèi)基-梅隆大學(xué)提出統(tǒng)計(jì)語音識別的處理。很多歷史的偶然性背后都有著它必然的原因，因?yàn)镮BM有著這樣的計(jì)算能力，又有物質(zhì)條件，同時(shí)聚集了一大批世界上最聰明的頭腦。

基于統(tǒng)計(jì)的語音識別替代基于規(guī)則的前后方法交替經(jīng)歷了15年時(shí)間。之所以歷經(jīng)許久，是因?yàn)樾碌难芯糠椒ǔ墒煨枰芏嗄辍?/p>

剩下的難題依舊

語音識別的獨(dú)特性不僅僅是因?yàn)槠涑删停罕M管已有成果斐然，但剩下的難題和目前已克服的一樣令人生畏。

隨著語音識別研究思路的變化，大規(guī)模的語音識別研究始于20世紀(jì)70年代以后，并在小詞匯量、孤立詞的識別方面取得了實(shí)質(zhì)性的進(jìn)展。20世紀(jì)80年代以后，語音識別研究的重點(diǎn)則逐漸轉(zhuǎn)向大詞匯量、非特定人連續(xù)語音識別。20世紀(jì)90年代以后，在語音識別的系統(tǒng)框架方面并沒有什么重大突破。

但在語音識別技術(shù)的應(yīng)用及產(chǎn)品化方面出現(xiàn)了很大的進(jìn)展。比如，DARPA是在20世紀(jì)70年代由美國國防部遠(yuǎn)景研究計(jì)劃局資助的一項(xiàng)計(jì)劃，旨在支持語言理解系統(tǒng)的研究開發(fā)工作。進(jìn)入90年代， DARPA計(jì)劃仍在持續(xù)進(jìn)行中，其研究重點(diǎn)已轉(zhuǎn)向識別裝置中的自然語言處理部分，識別任務(wù)設(shè)定為“航空旅行信息檢索”。根據(jù)DARPA資助的多次語音評測，語音識別詞錯(cuò)誤率已經(jīng)是評估進(jìn)步的主要指標(biāo)。

我國的語音識別研究起始于1958年，由中國科學(xué)院聲學(xué)研究所利用電子管電路識別10個(gè)元音。由于當(dāng)時(shí)條件的限制，中國的語音識別研究工作一直處于緩慢發(fā)展階段。直至1973年，中國科學(xué)院聲學(xué)研究所開始了計(jì)算機(jī)語音識別。

進(jìn)入80年代以來，隨著計(jì)算機(jī)應(yīng)用技術(shù)在我國逐漸普及和應(yīng)用以及數(shù)字信號技術(shù)的進(jìn)一步發(fā)展，國內(nèi)許多單位具備了研究語音技術(shù)的基本條件。與此同時(shí)，國際上語音識別技術(shù)在經(jīng)過多年的沉寂之后重又成為研究熱點(diǎn)。在這種形式下，國內(nèi)許多單位紛紛投入到這項(xiàng)研究工作中去。

1986年，語音識別作為智能計(jì)算機(jī)系統(tǒng)研究的一個(gè)重要組成部分，被專門列為研究課題。在“863”計(jì)劃的支持下，中國開始組織語音識別技術(shù)的研究，并決定了每隔兩年召開一次語音識別的專題會議。

大數(shù)據(jù)與深度神經(jīng)網(wǎng)絡(luò)帶來的大爆發(fā)

語音識別是需要經(jīng)驗(yàn)、數(shù)據(jù)和用戶反饋共同作用來提升表現(xiàn)的。需要利用用戶的反饋總結(jié)出一些特點(diǎn)。比如說用戶在說話時(shí)會截?cái)啵@樣你就可以通過調(diào)整一些參數(shù)來提升表現(xiàn)。因?yàn)檎Z音識別不僅是數(shù)據(jù)多了，識別率提高了，還有更多的因素，比如說用戶的感覺、一些關(guān)鍵的參數(shù)點(diǎn)、經(jīng)驗(yàn)等，這些都是可以學(xué)習(xí)到的?；ヂ?lián)網(wǎng)思維所帶來的就像軟件迭代一樣，通過反饋回來的信息進(jìn)行調(diào)整，這是最核心的。

在大數(shù)據(jù)時(shí)代到來后，隱馬爾可夫模型出現(xiàn)了局限，即數(shù)據(jù)量提升時(shí)，它帶來的表現(xiàn)提升沒有深度神經(jīng)網(wǎng)絡(luò)那么大，但其實(shí)都屬于統(tǒng)計(jì)模式識別。在語音識別發(fā)展的過程中，深度學(xué)習(xí)是同時(shí)發(fā)生的一件事，如果沒有深度神經(jīng)網(wǎng)絡(luò)，但是有大數(shù)據(jù)和漣漪效應(yīng)，隱馬爾可夫模型也可以做到實(shí)用。深度神經(jīng)網(wǎng)絡(luò)是讓其做得最好，降低了門檻，讓更多的人可以加入進(jìn)來。在同樣具有漣漪效應(yīng)的情況下，深度神經(jīng)網(wǎng)絡(luò)比之前的算法好，數(shù)據(jù)越多，深度神經(jīng)網(wǎng)絡(luò)的效果更好。還有更加重要的一點(diǎn)，深度神經(jīng)網(wǎng)絡(luò)只是整個(gè)統(tǒng)計(jì)機(jī)器模式識別理論框架中的一個(gè)環(huán)節(jié)而已，真正重要的環(huán)節(jié)是統(tǒng)計(jì)決策系統(tǒng)。

深度神經(jīng)網(wǎng)絡(luò)由Geoffrey Hinton與微軟的鄧力研究員最先開始做，谷歌是最早在全球范圍內(nèi)大規(guī)模使用深度神經(jīng)網(wǎng)絡(luò)的公司，谷歌的Voice Search也在最早開創(chuàng)了用互聯(lián)網(wǎng)思維做語音識別。在這方面，科大訊飛受到谷歌的啟發(fā)，迅速跟進(jìn)成為國內(nèi)第一個(gè)在商用系統(tǒng)里使用深度神經(jīng)網(wǎng)絡(luò)的公司。

語音識別技術(shù)已經(jīng)發(fā)展了幾十年的時(shí)間，因?yàn)榇髷?shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用，這一領(lǐng)域的傳統(tǒng)強(qiáng)者成了谷歌、亞馬遜、蘋果和微軟這些美國科技巨頭，但據(jù) TechCrunch 統(tǒng)計(jì)，美國至少有 26 家公司在開發(fā)語音識別技術(shù)。

不過，盡管谷歌這些巨頭在語音識別技術(shù)上的技術(shù)積累和先發(fā)優(yōu)勢讓后來者似乎難望其項(xiàng)背，但因?yàn)橐恍┱吆褪袌龇矫娴脑?，這些巨頭的語音識別主要偏向于英語，這給科大訊飛、百度、搜狗等在漢語領(lǐng)域?qū)崿F(xiàn)突出表現(xiàn)提供了機(jī)會。在國內(nèi)，這些本土化產(chǎn)品更為用戶所熟知。

從識別到感知認(rèn)知

在語音識別中，訓(xùn)練數(shù)據(jù)的匹配和豐富性是推動(dòng)系統(tǒng)性能提升的最重要因素之一，但是語料的標(biāo)注和分析需要長期的積累和沉淀，隨著大數(shù)據(jù)時(shí)代的來臨，大規(guī)模語料資源的積累將提到戰(zhàn)略高度。現(xiàn)如今，語音識別在移動(dòng)終端上的應(yīng)用最為火熱，語音對話機(jī)器人、語音助手、互動(dòng)工具等層出不窮，許多互聯(lián)網(wǎng)公司紛紛投入人力、物力和財(cái)力展開此方面的研究和應(yīng)用，目的是通過語音交互的新穎和便利模式迅速占領(lǐng)客戶群。

盡管視覺和語音識別在近些年來都取得了巨大的進(jìn)步，但這些研究者仍然提醒說，還有很多的工作要做。

展望未來，研究者正在努力工作以確保語音識別能在更為真實(shí)生活的環(huán)境中良好地工作。這些環(huán)境包括具有很多背景噪聲的地方，比如聚會場所或在高速路上駕駛的時(shí)候。他們也將關(guān)注如何更好地在多人交談環(huán)境中將不同的說話人區(qū)分開，并且確保其能夠在各種各樣的聲音上發(fā)揮效用，而不管說話人的年齡、口音或說話能力。

從更長遠(yuǎn)來看，研究者將會關(guān)注如何教計(jì)算機(jī)不只是轉(zhuǎn)錄來自人類嘴巴的聲音信號，而且還要理解他們所說的話。這樣就能讓這項(xiàng)技術(shù)可以根據(jù)自己被告知的內(nèi)容回答問題或采取行動(dòng)。

下一個(gè)前沿是從識別走向理解，我們正在從一個(gè)人類必須理解計(jì)算機(jī)的世界邁向一個(gè)計(jì)算機(jī)必須理解我們的世界。

但是，我們也應(yīng)該清醒的是，真正的人工智能仍然還在遙遠(yuǎn)的地平線上。在計(jì)算機(jī)能理解其所聽到或看到的事物的真正含義之前，還需要很長時(shí)間的工作，還有很長的路要走。

姜姝姝 本刊副主編