作者｜楊軍，單位：中國移動雄安產(chǎn)業(yè)研究院

Labs 導(dǎo)讀

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(yīng)用層出不窮，同時(shí)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(jìn)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(shí)現(xiàn)了長足的發(fā)展?？赡艽蠖鄶?shù)人覺得語音識別是近些年才出現(xiàn)的技術(shù)，其實(shí)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(shí)驗(yàn)室發(fā)明了自動數(shù)字識別機(jī)，科學(xué)家對智能語音有了模糊的概念，可能這時(shí)科學(xué)家們就已經(jīng)在暢想我們?nèi)缃駥?shí)現(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(shí)驗(yàn)室，為更多人知曉，貝爾實(shí)驗(yàn)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(fèi)者的語音識別產(chǎn)品。雖然夢想第一次照進(jìn)了現(xiàn)實(shí)，但其高達(dá)9000美元的售價(jià)，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(gè)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(fèi)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(jī)深度綁定，進(jìn)入廣大消費(fèi)者的日常生活。隨后國內(nèi)各大手機(jī)廠商也先后跟進(jìn)，為手機(jī)消費(fèi)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(yīng)用，并沒有局限于手機(jī)，而是擴(kuò)展到了各種場景。從各種智能家居，如智能機(jī)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(gè)方面得到了廣泛應(yīng)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(biāo)是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入。語音識別技術(shù)屬于人工智能方向的一個(gè)重要分支，涉及許多學(xué)科，如信號處理、計(jì)算機(jī)科學(xué)、語言學(xué)、聲學(xué)、生理學(xué)、心理學(xué)等，是人機(jī)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(jī)器理解文本內(nèi)容的方法模型或任務(wù)的總稱。

NLG：自然語言生成(Natural Language Generation，NLG)是一種通過計(jì)算機(jī)在特定交互目標(biāo)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(gè)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(yīng)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(xué)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(jìn)行相對詳細(xì)些的學(xué)習(xí)。

Part 04 ASR實(shí)現(xiàn)原理簡單剖析

我們首先從ASR聲音源來看，當(dāng)一位用戶發(fā)出指令，比如說：我愛你。這時(shí)麥克風(fēng)會收集音頻到存儲設(shè)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(shí)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(chǔ)是數(shù)據(jù)的準(zhǔn)確，聲音大小和發(fā)音的時(shí)間長短很難有什么統(tǒng)計(jì)學(xué)的意義，所以此時(shí)我們需要對音頻進(jìn)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(shí)間維度的波形圖，轉(zhuǎn)換成頻率維度的波形圖。

為什么要處理成頻率的維度呢？

因?yàn)槲覀兌贾?，人類發(fā)出的聲音，能聽到的聲音大概在一個(gè)頻段內(nèi)。這涉及到生物學(xué)、聲學(xué)的知識，我們?nèi)祟惖纳眢w構(gòu)造大致相同，這里想當(dāng)然一下，盡管有個(gè)體差異、有性別差異，我們發(fā)出的聲音的頻率相差不會很大。這樣我們就把沒有統(tǒng)計(jì)意義的聲音波形圖處理成了頻率圖。

但是我們的時(shí)間維度也不能丟掉，我們在將聲音分割之后（這里涉及到聲音預(yù)處理、分幀等知識，暫不展開），可以根據(jù)本地的聲學(xué)模型做比對，看每一幀時(shí)間內(nèi)發(fā)出的音素是什么。中文的話，音素指的是我們發(fā)音的一個(gè)字母，比如“我”由兩個(gè)音素組成：w和o。

到現(xiàn)在我們知道了如何將聲音從音頻文件處理成音素。之后再通過語言學(xué)、統(tǒng)計(jì)學(xué)等技術(shù)，結(jié)合具體語境，將音素組合成詞，將詞組成句子，從而識別出用戶說的語句，ASR大致流程就完成了。

上面的方式其實(shí)屬于語音識別各種技術(shù)中較為簡單的一部分，在實(shí)際應(yīng)用中可能還包括各種各樣的技術(shù)，比如聲學(xué)特征提取的MFCC方式、上面聲音預(yù)處理的降噪、分幀、加窗、端點(diǎn)檢測等技術(shù)。

Part 05  語音識別及相關(guān)技術(shù)展望和我們能做的事情 

隨著硬件技術(shù)提升、5G技術(shù)普及，我們可以在后端對海量的數(shù)據(jù)進(jìn)行處理，依靠5G技術(shù)的穩(wěn)定和低時(shí)延，為用戶提供更可靠、順暢的服務(wù)，可以預(yù)見在不久的將來，語音識別及其相關(guān)技術(shù)必將更加智能、更加穩(wěn)定。中國移動作為國內(nèi)擁有絕對用戶基礎(chǔ)數(shù)量優(yōu)勢的電信運(yùn)營商，可以依靠5G優(yōu)勢、規(guī)模優(yōu)勢為用戶提供更好的服務(wù)，為智慧城市提供有力的保障，為國家發(fā)展作出更多的貢獻(xiàn)。