語音識別進(jìn)化簡史：從造技術(shù)到建系統(tǒng)

　 域名預(yù)訂/競價，好“米”不錯過

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(dāng)正確的路徑被走通之前，永遠(yuǎn)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(xué)語的孩子也可以和智能音箱進(jìn)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(jìn)展，幾乎消磨掉了所有人的耐心。

在20世紀(jì)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(jì)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(chǔ)；

上世紀(jì)70年代，語音識別進(jìn)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(yù)測編碼等開始應(yīng)用；

上世紀(jì)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(dǎo)框架；

上世紀(jì)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(xué)的HTK系統(tǒng)；

但在進(jìn)入21世紀(jì)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(luò)初始化神經(jīng)網(wǎng)絡(luò)，使得訓(xùn)練深層的神經(jīng)網(wǎng)絡(luò)變得容易，從而掀起了深度學(xué)習(xí)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(xué)院聲學(xué)所利用電子管電路識別10個元音，1973年中國科學(xué)院聲學(xué)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(jìn)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(luò)應(yīng)用于語音的聲學(xué)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(xué)者首先嘗試將深度學(xué)習(xí)技術(shù)引入到語音識別領(lǐng)域，并確立了三個維度的標(biāo)準(zhǔn)：

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(jìn)式的發(fā)展，刷新紀(jì)錄的時間間隔被壓縮到幾年到幾個月。

2016年語音識別的準(zhǔn)確率達(dá)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(dá)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(xué)家吳恩達(dá)發(fā)聲稱百度在2015年末即達(dá)到了同等水平；2017年6月，Google表示語音識別的準(zhǔn)確率達(dá)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(zhǔn)確率達(dá)到97%的消息。

一個有些“奇怪”的現(xiàn)象，為何在語音識別領(lǐng)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(jìn)入深度學(xué)習(xí)時代，并沒有背負(fù)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(yuǎn)場語音交互的鴻鵠芯片，可以實現(xiàn)遠(yuǎn)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(jìn)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(xué)習(xí)引擎。

同樣的邏輯，百度在2015年就開放了上百項智能語音專利，與海爾、京東、中興通訊、中國普天等組建了智能語音知識產(chǎn)權(quán)產(chǎn)業(yè)聯(lián)盟，同時PaddlePaddle、Warp-CTC、百度大腦的開放和開源，對中文語音識別有著潛移默化的影響，成為了中國語音識別領(lǐng)域標(biāo)準(zhǔn)的制定者。

除此之外，2018年公布的第二十屆中國專利評審結(jié)果中，百度的語音、機器翻譯、無人車相關(guān)三項專利獲獎，成為人工智能領(lǐng)域至今為止在國內(nèi)專利界獲得的最高級別政府獎項。

其中“語音專利”涉及的新語音識別模型——采用深度學(xué)習(xí)算法在24時內(nèi)對數(shù)以百億級的大規(guī)模數(shù)據(jù)進(jìn)行實時分析，高性能計算，令語音識別技術(shù)的準(zhǔn)確率達(dá)97%，解決了語音識別領(lǐng)域關(guān)鍵性、共性的技術(shù)難題，被MIT 評為“2016年全球十大突破技術(shù)”。

語音識別的話語權(quán)，逐漸從大學(xué)和機構(gòu)的實驗室轉(zhuǎn)移到了微軟、Google、百度等商業(yè)巨擘手中，并最終迎來了躍進(jìn)式發(fā)展的十年?；蛟S語音技術(shù)的“少年時代”還有很長的路要走，但終究走出了漫漫黑夜，瞥見了黎明的曙光。

03 語音交互的“誘惑”

需要思考這樣一個問題：為何語音識別在80年的技術(shù)長征中，出現(xiàn)了這樣或那樣質(zhì)疑的聲音，仍然對語音識別如此癡迷？前70年的答案可能是希望，最近10年的驅(qū)動因素則可能是龐大蛋糕的誘惑。

先來盤點一下2010年后語音識別走向應(yīng)用的三個過程：

一問一答階段：彼時語音識別在自我學(xué)習(xí)、邏輯推理方面還有很大欠缺，不能針對同一對話內(nèi)容展開深入交互，比如你問天氣如何，系統(tǒng)會自動調(diào)取天氣數(shù)據(jù)，接著問明天天氣如何？會調(diào)取明天的天氣預(yù)報。但今天天氣和明天天氣之間都是各自獨立的對答，不能連接貫通，也未能形成邏輯。

有問有答階段：語音識別開始在問答的基礎(chǔ)上有了對話的屬性，對應(yīng)的產(chǎn)品有蘋果的Siri、Google Now、百度語音、微軟Cortana等等，彼時仍然停留在“人機對話”，處于機器被動接受人類輸入大量數(shù)據(jù)階段，不能更深層次理解人的意思，無法實現(xiàn)自學(xué)習(xí)、自成長，與機器的語音交流還不能像人一樣自然。

自然交互階段：從語音識別到語音交互，不僅有問有答，人工智能還可以根據(jù)上下文邏輯和環(huán)境信息，作出個性化的決策或推薦。典型的場景就是智能音箱，亞馬遜、谷歌、百度、阿里等無不開始在智能音箱領(lǐng)域發(fā)力，語音識別入口正逐漸撬開內(nèi)容、IoT等生態(tài)，已然是AI入口之爭的主戰(zhàn)場。

印象深刻的是，在《向往的生活》第三季中，幾乎每期嘉賓都會主動和小度對話，然后被智能音箱流暢的對答所折服，對比一些智能手機里還處于有問有答狀態(tài)的語音助手，自然的語音交互階段已經(jīng)提前到來。

不難從中看到這樣的變化：剛開始的語音識別還處于造技術(shù)的階段，可能僅僅是為了新奇炫酷的體驗，但隨著智能音箱、語音助手等軟硬件應(yīng)用的普及，解決了一個又一個棘手的痛點，語音交互開始有了成為下一代人機交互方式的可能，進(jìn)而打造一個以語音為入口的全新操作系統(tǒng)。

可以借鑒腦學(xué)界“感官侏儒”的說法，手和舌頭是人類最靈活的兩個部分，從DOS系統(tǒng)到施樂的圖形化界面再到移動設(shè)備的觸控交互，無不依賴于手的交互。

而當(dāng)語音技術(shù)和人工智能同時走向成熟，或許就像《2019語音技術(shù)報告》中所描述的：“語音交互扭轉(zhuǎn)了以往人機交互的存在形態(tài)，用戶與設(shè)備間基于語音交互的全新關(guān)系開始搭建，與之前互聯(lián)網(wǎng)向移動互聯(lián)網(wǎng)過渡一樣，其對底層平臺的全新需求也在醞釀當(dāng)中。”

甚至不排除語音優(yōu)先的可能，亞馬遜Alexa首席科學(xué)家Rohit Prasad曾直言：“我們希望消除與客戶的摩擦，最自然的方式就是通過聲音。它不僅僅是一個能提供一堆結(jié)果的搜索引擎，它還會告訴你答案。”言外之意，語音技術(shù)可以幫助人們擺脫文字和屏幕的束縛，提供一種升維的用戶體驗。

04 巨頭們的新戰(zhàn)場

接過前輩們的衣缽，Google、百度等巨頭并非沒有“私心”。因為在語音交互成為人機交互主流方式的同時，也在重構(gòu)現(xiàn)有的商業(yè)規(guī)則。正如李彥宏在《人民日報》發(fā)表的文章中所說，“作為引領(lǐng)此次變革的戰(zhàn)略性技術(shù)，人工智能對世界的影響將遠(yuǎn)超以往歷次工業(yè)革命。”

比如在觸控交互的世界里，人們與服務(wù)的連接通過這樣或那樣的App，生活中也出現(xiàn)了社交、搜索、電商、資訊等領(lǐng)域的諸多超級App，但語音交互是典型的服務(wù)找人，諸如搜索、電商、社交、廣告等主流的盈利路徑都將被重構(gòu)，乃至顛覆現(xiàn)有的市場格局。

一個典型的例子，不管是國內(nèi)百度的小度助手，還是Google Assistant、亞馬遜Alexa，早已不再滿足于“語音助手”的身份，在功能上開始向語音對話、內(nèi)容服務(wù)、IoT設(shè)備管理等方向演進(jìn)，在場景上覆蓋了家庭、汽車、酒店等等，以語音交互為切入的生態(tài)系統(tǒng)早已有了雛形，成為觸控之外的又一個殺手級應(yīng)用。

同時語音的顛覆性也逐漸浮出水面，原先想要聽一首歌、看一部電影的時候，需要在手機上打開特定的App，手動輸入歌曲或電影的名字，在一連串的搜索結(jié)果中找到自己需要的。語音交互的場景下，只需要發(fā)出相應(yīng)的語音指令，設(shè)備就可以自動播放你想要的歌曲或視頻，不僅在效率上指數(shù)級提升，也在改變音樂或視頻服務(wù)方的地位，從前端走向后臺的內(nèi)容供應(yīng)商。

截止到目前，幾乎所有的互聯(lián)網(wǎng)巨頭都對語音勢在必得，尤其是在炙手可熱的智能音箱賽道上，國外出現(xiàn)了谷歌、亞馬遜、蘋果等巨頭林立的局面，國內(nèi)的百度、阿里、小米直接拿到了90%的市場份額，并且有著一家獨大的趨勢。

在美國，亞馬遜占據(jù)了智能音箱64.6%的份額，而在國內(nèi)，StrategyAnalytics、Canalys和IDC無不在報告中指出了這樣的事實：去年才正式發(fā)力智能音箱的百度，早已成為世界前三、中國第一的品牌。

特別是隨著語音技術(shù)的持續(xù)深入，巨頭們也開始改變自己的戰(zhàn)略路線，百度就是一個特例。

2016年就在內(nèi)部形成了“夯實移動基礎(chǔ)，決勝AI時代”的驅(qū)動戰(zhàn)略，并確立了AIfirst的公司架構(gòu)，相繼打造了包括語音技術(shù)、圖像技術(shù)、視頻技術(shù)、NLP、知識圖譜、數(shù)據(jù)智能以及深度學(xué)習(xí)等技術(shù)研線的AIG，涵蓋全自動駕駛、智能輔助駕駛以及車聯(lián)網(wǎng)業(yè)務(wù)的AIG，業(yè)務(wù)范圍涉及小度助手、智能音箱等軟硬件語音技術(shù)的SLG。

如此，語音技術(shù)不僅為人機交互提供了新的可能，也在一定程度上成了巨頭從互聯(lián)網(wǎng)跨向AI賽道的“引路人”。

如果以2019年作為新起點的話，語音識別已經(jīng)從雙翼飛機時代進(jìn)入噴氣式飛機時代，下一步的目標(biāo)無疑就是成為火箭級的產(chǎn)品。幸運的是，在這場決定著未來科技生態(tài)的戰(zhàn)場上，中國的玩家不再缺席，而是從跟隨者變成了領(lǐng)導(dǎo)者。

作者 | Alter 公眾號 | Alter聊IT 作者系獨立撰稿人，微信號imhefei

申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！