語音識別技術面臨的問題

 

語音識別技術面臨的問題

高皓 2000/12/19

　　憑心而論，語音識別是一項復雜的技術，特別對于漢語語音識別尤其如此。因此，盡管多年前就有眾多公司和研究機構開始了語音技術，包括語音識別和語音合成技術的研究，但直到最近一兩年，在國內應該說是今年，才開始有規(guī)模的商用。

　　國外已經有了不少較大規(guī)模的語音識別IVR系統(tǒng)或者呼叫中心的應用，然而在國內，雖然有將語音識別和呼叫中心結合起來的趨勢，但仍沒有多少應用。這其中雖然有諸多影響因素，但重要的一點就是漢語語音識別技術還不夠完善。那么，語音識別技術要進入大規(guī)模商用，還要跨越哪些障礙呢？

　　■用戶的獨立性
　　所謂用戶的獨立性，就是語音識別軟件能夠識別有不同嗓音和口音的用戶，而無需通過訓練軟件來使其識別一個特殊用戶的聲音。目前的許多語音識別軟件，是基于標準的發(fā)音來進行識別的。而實際上，人們說話千差萬別，發(fā)音也各不相同，特別對于有口音的語音來說，更是對語音識別軟件提出了嚴峻的挑戰(zhàn)。目前的語音識別軟件大部分是通過自學習功能，不斷的訓練來達到軟件對于特定用戶語音的識別。

　　將來，語音識別軟件的一個發(fā)展趨勢就是加強處理性，可以識別在一定范圍內的各種發(fā)音。而實際上，現在有許多語音軟件公司在從事這方面的工作，盡量將所有可能的方言發(fā)音收入語音庫。這樣，無需經過專門的特殊訓練，軟件就能識別用戶的發(fā)音。

　　■自然的語言能力
　　許多語音識別系統(tǒng)還具有自然的語言能力，這就是軟件理解講話者的能力。這種能力不僅表現在特定的單詞上，甚至還表現在短語和完整的句子上。自然的語言意味著兩點：第一，它可讓用戶用句子來表達意思。例如，為表達checking account，用戶可使用有更多單詞的自然句子，如I'd like my checking account balance。 第二指用戶可使用包含多義詞的句子。例如，我們可說I want to transfer $500 dollars from my savings account to my checking account。這是自然語言的一個主要準則，用戶可在一個單句中使用多個多義詞。

　　有少數復雜的語音識別系統(tǒng)使用提示性對話。在這里，語音識別系統(tǒng)提示用戶用一個單詞或記號來回答。根據專門機構的調查，多數人更喜歡用約定俗成的自然語言，而不喜歡使用提示性對話。人們討厭的是不完善的自然語言，當能使用完善的自然語言時，人們當然不可抗拒地選擇了它。

　　■處理插入的能力
　　新增的插入的能力是語音識別軟件的另一個主要進步。插入的能力允許用戶在系統(tǒng)提示時中斷系統(tǒng)，但系統(tǒng)依然能知道用戶的請求。

　　這點對于實際的應用來說是有相當意義的。因為人們在說話時，總是在自覺不自覺地思考，經常會在打斷語言的連續(xù)性，而插入一些補充性的語言。這樣的語言，在語法上來說經常不正確的，常規(guī)的語音識別系統(tǒng)會很難處理這些語音。

　　■軟件身份驗證的能力
　　語音識別銷售商最近還介紹了軟件身份驗證的能力，即根據用戶的嗓音和語言特點，來達到識別用戶的能力。這在實際中是一個非常有價值的特點，如可用于人事管理上。