語(yǔ)音識(shí)別進(jìn)化簡(jiǎn)史：從造技術(shù)到建系統(tǒng)

美國(guó)知名投資機(jī)構(gòu)Mangrove Capital Partners在《2019年語(yǔ)音技術(shù)報(bào)告》中，給語(yǔ)音下了一個(gè)宏大的定義——歡迎下一代的顛覆者。

可如果把時(shí)間倒退10年，大部分人還是會(huì)把“語(yǔ)音交互”定義為一場(chǎng)豪賭，都知道贏面比較大，卻遲遲不敢下注，因?yàn)楦拍畹穆涞剡€沒(méi)有一個(gè)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(guò)在此前的80年里，人類(lèi)對(duì)語(yǔ)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(cuò)，最終找到了正確的路徑。

01 漫長(zhǎng)的孩提時(shí)代

“小度小度，明天天氣怎么樣?”“小度小度，我想聽(tīng)周杰倫的歌” “小度小度，我想給爸爸打電話(huà)”，諸如這樣的指令每天有幾億次發(fā)生，哪怕是牙牙學(xué)語(yǔ)的孩子也可以和智能音箱進(jìn)行流暢的對(duì)話(huà)。

但在50年前，就職于貝爾實(shí)驗(yàn)室的約翰·皮爾斯卻在一封公開(kāi)信中為語(yǔ)音識(shí)別下了“死亡診斷書(shū)”：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(jī)器識(shí)別語(yǔ)音幾乎是不可能實(shí)現(xiàn)的事情。

彼時(shí)距離首個(gè)能夠處理合成語(yǔ)音的機(jī)器出現(xiàn)已經(jīng)過(guò)去30年的時(shí)間，距離發(fā)明出能夠聽(tīng)懂從0到9語(yǔ)音數(shù)字的機(jī)器也過(guò)去了17個(gè)年頭。這兩項(xiàng)創(chuàng)造性的發(fā)明均出自貝爾實(shí)驗(yàn)室，但語(yǔ)音識(shí)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(shí)間里，語(yǔ)音識(shí)別技術(shù)就像是一場(chǎng)不知方向的長(zhǎng)征，時(shí)間刻度被拉長(zhǎng)到了10年之久：

上世紀(jì)60年代，時(shí)間規(guī)整機(jī)制、動(dòng)態(tài)時(shí)間規(guī)整和音素動(dòng)態(tài)跟蹤三個(gè)關(guān)鍵技術(shù)奠定了語(yǔ)音識(shí)別發(fā)展的基礎(chǔ)；

上世紀(jì)70年代，語(yǔ)音識(shí)別進(jìn)入了快速發(fā)展的階段，模式識(shí)別思想、動(dòng)態(tài)規(guī)劃算法、線性預(yù)測(cè)編碼等開(kāi)始應(yīng)用；

上世紀(jì)80年代，語(yǔ)音識(shí)別開(kāi)始從孤立詞識(shí)別系統(tǒng)向大詞匯量連續(xù)語(yǔ)音識(shí)別系統(tǒng)發(fā)展，基于GMM-HMM的框架成為語(yǔ)音識(shí)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(yǔ)音識(shí)別系統(tǒng)，比如IBM的Via-vioce系統(tǒng)、微軟的Whisper系統(tǒng)、英國(guó)劍橋大學(xué)的HTK系統(tǒng)；

但在進(jìn)入21世紀(jì)后，語(yǔ)音識(shí)別系統(tǒng)的錯(cuò)誤率依然很高，再次陷到漫長(zhǎng)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(zhǎng)歲月里，中國(guó)在語(yǔ)音識(shí)別技術(shù)上大多處于邊緣角色，1958年中國(guó)科學(xué)院聲學(xué)所利用電子管電路識(shí)別10個(gè)元音，1973年中國(guó)科學(xué)院聲學(xué)所開(kāi)始了計(jì)算機(jī)語(yǔ)音識(shí)別，然后是863計(jì)劃開(kāi)始開(kāi)始組織語(yǔ)音識(shí)別技術(shù)的研究，直到百度、科大訊飛等中國(guó)企業(yè)的崛起。

02 躍進(jìn)的少年時(shí)代

2010年注定是語(yǔ)音識(shí)別的轉(zhuǎn)折點(diǎn)。

前一年Hinton和D.Mohamed將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語(yǔ)音的聲學(xué)建模，在小詞匯量連續(xù)語(yǔ)音識(shí)別數(shù)據(jù)庫(kù)TIMIT上獲得成功。

從2010年開(kāi)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(yǔ)音識(shí)別領(lǐng)域，并確立了三個(gè)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(jí)人才扮演者至關(guān)重要的角色；

計(jì)算力的水平，關(guān)鍵在于FPGA等硬件的發(fā)展。

在這三個(gè)維度的比拼中，誰(shuí)擁有數(shù)據(jù)上的優(yōu)勢(shì)，誰(shuí)聚集了頂級(jí)的人才，誰(shuí)掌握著強(qiáng)大的計(jì)算能力，多半會(huì)成為這場(chǎng)較量中的優(yōu)勝方。于是在語(yǔ)音識(shí)別的“少年時(shí)代”，終于開(kāi)始了躍進(jìn)式的發(fā)展，刷新紀(jì)錄的時(shí)間間隔被壓縮到幾年到幾個(gè)月。

2016年語(yǔ)音識(shí)別的準(zhǔn)確率達(dá)到90%，但在這年晚些時(shí)候，微軟公開(kāi)表示語(yǔ)音識(shí)別系統(tǒng)的詞錯(cuò)率達(dá)到了5.9%，等同于人類(lèi)速記同樣一段對(duì)話(huà)的水平，時(shí)任百度首席科學(xué)家吳恩達(dá)發(fā)聲稱(chēng)百度在2015年末即達(dá)到了同等水平；2017年6月，Google表示語(yǔ)音識(shí)別的準(zhǔn)確率達(dá)到95%，而早在10個(gè)月前的時(shí)候，李彥宏就在百度世界大會(huì)上宣布了百度語(yǔ)音識(shí)別準(zhǔn)確率達(dá)到97%的消息。

一個(gè)有些“奇怪”的現(xiàn)象，為何在語(yǔ)音識(shí)別領(lǐng)域缺少前期積累的中國(guó)，可以在極短的時(shí)間內(nèi)實(shí)現(xiàn)從無(wú)到有，甚至有后發(fā)先至的趨勢(shì)？可以找到的原因有二：

首先，傳統(tǒng)專(zhuān)利池被挑戰(zhàn)，競(jìng)爭(zhēng)回歸技術(shù)。

語(yǔ)音識(shí)別進(jìn)入深度學(xué)習(xí)時(shí)代，并沒(méi)有背負(fù)太多的專(zhuān)利包袱，中美玩家們有機(jī)會(huì)站在了同一起跑線上。

比如2013年百度的語(yǔ)音識(shí)別技術(shù)還主要基于mel-bank的子帶CNN模型；2014年就獨(dú)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(yǔ)音識(shí)別，年底發(fā)展出基于LSTM-CTC的端對(duì)端語(yǔ)音識(shí)別系統(tǒng)；2016年和2017年將Deep CNN模型和 LSTM、CTC結(jié)合起來(lái)，2018年推出Deep Peak 2模型，2019年又發(fā)布了流式多級(jí)的截?cái)嘧⒁饬δＰ?hellip;…

而在不久前結(jié)束的百度AI開(kāi)發(fā)者大會(huì)上，百度還推出了針對(duì)遠(yuǎn)場(chǎng)語(yǔ)音交互的鴻鵠芯片，可以實(shí)現(xiàn)遠(yuǎn)場(chǎng)陣列信號(hào)實(shí)時(shí)處理，高精度超低誤報(bào)語(yǔ)音喚醒以及離線語(yǔ)音識(shí)別。

其次，語(yǔ)音識(shí)別進(jìn)入到生態(tài)化、產(chǎn)業(yè)化的時(shí)代。

在Google發(fā)布了語(yǔ)音開(kāi)放API后，對(duì)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(shì)，也來(lái)自于Google強(qiáng)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(kāi)放了上百項(xiàng)智能語(yǔ)音專(zhuān)利，與海爾、京東、中興通訊、中國(guó)普天等組建了智能語(yǔ)音知識(shí)產(chǎn)權(quán)產(chǎn)業(yè)聯(lián)盟，同時(shí)PaddlePaddle、Warp-CTC、百度大腦的開(kāi)放和開(kāi)源，對(duì)中文語(yǔ)音識(shí)別有著潛移默化的影響，成為了中國(guó)語(yǔ)音識(shí)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(guó)專(zhuān)利評(píng)審結(jié)果中，百度的語(yǔ)音、機(jī)器翻譯、無(wú)人車(chē)相關(guān)三項(xiàng)專(zhuān)利獲獎(jiǎng)，成為人工智能領(lǐng)域至今為止在國(guó)內(nèi)專(zhuān)利界獲得的最高級(jí)別政府獎(jiǎng)項(xiàng)。

其中“語(yǔ)音專(zhuān)利”涉及的新語(yǔ)音識(shí)別模型——采用深度學(xué)習(xí)算法在24時(shí)內(nèi)對(duì)數(shù)以百億級(jí)的大規(guī)模數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，高性能計(jì)算，令語(yǔ)音識(shí)別技術(shù)的準(zhǔn)確率達(dá)97%，解決了語(yǔ)音識(shí)別領(lǐng)域關(guān)鍵性、共性的技術(shù)難題，被MIT 評(píng)為“2016年全球十大突破技術(shù)”。

語(yǔ)音識(shí)別的話(huà)語(yǔ)權(quán)，逐漸從大學(xué)和機(jī)構(gòu)的實(shí)驗(yàn)室轉(zhuǎn)移到了微軟、Google、百度等商業(yè)巨擘手中，并最終迎來(lái)了躍進(jìn)式發(fā)展的十年。或許語(yǔ)音技術(shù)的“少年時(shí)代”還有很長(zhǎng)的路要走，但終究走出了漫漫黑夜，瞥見(jiàn)了黎明的曙光。

03 語(yǔ)音交互的“誘惑”

需要思考這樣一個(gè)問(wèn)題：為何語(yǔ)音識(shí)別在80年的技術(shù)長(zhǎng)征中，出現(xiàn)了這樣或那樣質(zhì)疑的聲音，仍然對(duì)語(yǔ)音識(shí)別如此癡迷？前70年的答案可能是希望，最近10年的驅(qū)動(dòng)因素則可能是龐大蛋糕的誘惑。

先來(lái)盤(pán)點(diǎn)一下2010年后語(yǔ)音識(shí)別走向應(yīng)用的三個(gè)過(guò)程：

一問(wèn)一答階段：彼時(shí)語(yǔ)音識(shí)別在自我學(xué)習(xí)、邏輯推理方面還有很大欠缺，不能針對(duì)同一對(duì)話(huà)內(nèi)容展開(kāi)深入交互，比如你問(wèn)天氣如何，系統(tǒng)會(huì)自動(dòng)調(diào)取天氣數(shù)據(jù)，接著問(wèn)明天天氣如何？會(huì)調(diào)取明天的天氣預(yù)報(bào)。但今天天氣和明天天氣之間都是各自獨(dú)立的對(duì)答，不能連接貫通，也未能形成邏輯。

有問(wèn)有答階段：語(yǔ)音識(shí)別開(kāi)始在問(wèn)答的基礎(chǔ)上有了對(duì)話(huà)的屬性，對(duì)應(yīng)的產(chǎn)品有蘋(píng)果的Siri、Google Now、百度語(yǔ)音、微軟Cortana等等，彼時(shí)仍然停留在“人機(jī)對(duì)話(huà)”，處于機(jī)器被動(dòng)接受人類(lèi)輸入大量數(shù)據(jù)階段，不能更深層次理解人的意思，無(wú)法實(shí)現(xiàn)自學(xué)習(xí)、自成長(zhǎng)，與機(jī)器的語(yǔ)音交流還不能像人一樣自然。

自然交互階段：從語(yǔ)音識(shí)別到語(yǔ)音交互，不僅有問(wèn)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(gè)性化的決策或推薦。典型的場(chǎng)景就是智能音箱，亞馬遜、谷歌、百度、阿里等無(wú)不開(kāi)始在智能音箱領(lǐng)域發(fā)力，語(yǔ)音識(shí)別入口正逐漸撬開(kāi)內(nèi)容、IoT等生態(tài)，已然是AI入口之爭(zhēng)的主戰(zhàn)場(chǎng)。

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

不難從中看到這樣的變化：剛開(kāi)始的語(yǔ)音識(shí)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(yàn)，但隨著智能音箱、語(yǔ)音助手等軟硬件應(yīng)用的普及，解決了一個(gè)又一個(gè)棘手的痛點(diǎn)，語(yǔ)音交互開(kāi)始有了成為下一代人機(jī)交互方式的可能，進(jìn)而打造一個(gè)以語(yǔ)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(shuō)法，手和舌頭是人類(lèi)最靈活的兩個(gè)部分，從DOS系統(tǒng)到施樂(lè)的圖形化界面再到移動(dòng)設(shè)備的觸控交互，無(wú)不依賴(lài)于手的交互。

而當(dāng)語(yǔ)音技術(shù)和人工智能同時(shí)走向成熟，或許就像《2019語(yǔ)音技術(shù)報(bào)告》中所描述的：“語(yǔ)音交互扭轉(zhuǎn)了以往人機(jī)交互的存在形態(tài)，用戶(hù)與設(shè)備間基于語(yǔ)音交互的全新關(guān)系開(kāi)始搭建，與之前互聯(lián)網(wǎng)向移動(dòng)互聯(lián)網(wǎng)過(guò)渡一樣，其對(duì)底層平臺(tái)的全新需求也在醞釀當(dāng)中。”

甚至不排除語(yǔ)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(hù)的摩擦，最自然的方式就是通過(guò)聲音。它不僅僅是一個(gè)能提供一堆結(jié)果的搜索引擎，它還會(huì)告訴你答案。”言外之意，語(yǔ)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(hù)體驗(yàn)。

04 巨頭們的新戰(zhàn)場(chǎng)

接過(guò)前輩們的衣缽，Google、百度等巨頭并非沒(méi)有“私心”。因?yàn)樵谡Z(yǔ)音交互成為人機(jī)交互主流方式的同時(shí)，也在重構(gòu)現(xiàn)有的商業(yè)規(guī)則。正如李彥宏在《人民日?qǐng)?bào)》發(fā)表的文章中所說(shuō)，“作為引領(lǐng)此次變革的戰(zhàn)略性技術(shù)，人工智能對(duì)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(guò)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(jí)App，但語(yǔ)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(chǎng)格局。

一個(gè)典型的例子，不管是國(guó)內(nèi)百度的小度助手，還是Google Assistant、亞馬遜Alexa，早已不再滿(mǎn)足于“語(yǔ)音助手”的身份，在功能上開(kāi)始向語(yǔ)音對(duì)話(huà)、內(nèi)容服務(wù)、IoT設(shè)備管理等方向演進(jìn)，在場(chǎng)景上覆蓋了家庭、汽車(chē)、酒店等等，以語(yǔ)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(gè)殺手級(jí)應(yīng)用。

同時(shí)語(yǔ)音的顛覆性也逐漸浮出水面，原先想要聽(tīng)一首歌、看一部電影的時(shí)候，需要在手機(jī)上打開(kāi)特定的App，手動(dòng)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(yǔ)音交互的場(chǎng)景下，只需要發(fā)出相應(yīng)的語(yǔ)音指令，設(shè)備就可以自動(dòng)播放你想要的歌曲或視頻，不僅在效率上指數(shù)級(jí)提升，也在改變音樂(lè)或視頻服務(wù)方的地位，從前端走向后臺(tái)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(duì)語(yǔ)音勢(shì)在必得，尤其是在炙手可熱的智能音箱賽道上，國(guó)外出現(xiàn)了谷歌、亞馬遜、蘋(píng)果等巨頭林立的局面，國(guó)內(nèi)的百度、阿里、小米直接拿到了90%的市場(chǎng)份額，并且有著一家獨(dú)大的趨勢(shì)。

在美國(guó)，亞馬遜占據(jù)了智能音箱64.6%的份額，而在國(guó)內(nèi)，StrategyAnalytics、Canalys和IDC無(wú)不在報(bào)告中指出了這樣的事實(shí)：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(guó)第一的品牌。

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

2016年就在內(nèi)部形成了“夯實(shí)移動(dòng)基礎(chǔ)，決勝AI時(shí)代”的驅(qū)動(dòng)戰(zhàn)略，并確立了AIfirst的公司架構(gòu)，相繼打造了包括語(yǔ)音技術(shù)、圖像技術(shù)、視頻技術(shù)、NLP、知識(shí)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(dòng)駕駛、智能輔助駕駛以及車(chē)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(yǔ)音技術(shù)的SLG。

如此，語(yǔ)音技術(shù)不僅為人機(jī)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(diǎn)的話(huà)，語(yǔ)音識(shí)別已經(jīng)從雙翼飛機(jī)時(shí)代進(jìn)入噴氣式飛機(jī)時(shí)代，下一步的目標(biāo)無(wú)疑就是成為火箭級(jí)的產(chǎn)品。幸運(yùn)的是，在這場(chǎng)決定著未來(lái)科技生態(tài)的戰(zhàn)場(chǎng)上，中國(guó)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(hào) | Alter聊IT 作者系獨(dú)立撰稿人，微信號(hào)imhefei