首頁 > 相比用按鍵方式進入一級級菜單的傳統(tǒng)的呼叫中心，這樣的服務顯然更方便。尤其是在不適用于鍵盤和鼠標輸入的移動計算環(huán)境，語音輸入具有更大的發(fā)展?jié)摿Α＞退闶窃谵k公室，語音識別技術(shù)也可以幫助一部分不愿意或不能使用鍵盤、鼠標的用戶減少大量的手腕和手指的重復勞動。然而，這樣的技術(shù)對大部分人來說仍然很新鮮，想想有幾個人使用了手機里內(nèi)置多年的語音撥號功能？
語音技術(shù)掀起的第一次浪潮始于20世紀90年代前期，許多著名的大公司如IBM、蘋果、AT＆T和NTT都對語音識別系統(tǒng)的實用化研究投以巨資。語音識別技術(shù)有一個很好的評估機制，那就是識別的準確率，而這項指標在20世紀90年代中后期實驗室研究中得到了不斷的提高。在1997年有人提出，“語音時代”已經(jīng)來臨，商家也都對此充滿了信心：希望語音識別能力能跟人一樣。語音識別技術(shù)變得如此受歡迎，讓人不得不相信，語音技術(shù)將無處不在。
然而，事實并非如此。在實際應用中，在實驗室中“成功”的語音識別系統(tǒng)在魯棒性（Robustness）、靈活性和自適應能力上還遠遠不能滿足實際的需要，技術(shù)上也顯得力不從心。得意音通公司副總裁鄧永強說：“過高的市場期望面對實際的技術(shù)水平和應用現(xiàn)狀，難免產(chǎn)生泡沫。”
技術(shù)的不成熟，加之市場的接受情況，語音識別市場確實無法用上“火爆”這個形容詞，甚至無法在市場上找到幾個語音識別方面的成熟應用，因此，眾人紛紛打起了“半成品技術(shù)”的主意，“以現(xiàn)有的技術(shù)水平來創(chuàng)造出應用”。以中國市場為例，廠商并沒有去追求最完美的應用—“聽寫機”一類的非特定人、連續(xù)語音、大詞匯量的語音識別，而是把當前已經(jīng)成熟的那部分技術(shù)應用到實際的產(chǎn)品中。例如以中小詞表為主的命令式語音識別，包括呼叫中心、語音撥號，移動設備中的嵌入式命令控制等，并且對于普通話能達到相當高的識別率。
最簡單的小詞匯量、孤立詞、特定人語音識別技術(shù)在20世紀70年代就已經(jīng)非常成熟。盡管有一定的難度，目前在實驗室環(huán)境下“老三難”均能達到最高標準，也就是聽寫機。微軟稱嵌入到Office軟件中的聽寫系統(tǒng)能在標準北京口音輸入的情況下，首次識別率達到93%，調(diào)試之后達到96%，并且新的技術(shù)正在使識別率不斷上升。
技術(shù)的價值在于它服務于應用。雖然在實驗室擁有如此高的識別率，在語音識別技術(shù)從各個不同的突破口進行應用和產(chǎn)業(yè)化的過程中，“新三難”凸現(xiàn)出來，成為研究重點。
首先，方言或口音會降低語音識別率，而對于擁有八大方言區(qū)的中文來說，應用的難度會更大。清華大學計算機系語音技術(shù)中心副教授，同時也是北京得意音通技術(shù)有限公司董事長兼總裁的鄭方博士就正在跟蹤解決這一問題。今年，在美國約翰霍普金斯大學召開的每年一度的語音技術(shù)研討會上，鄭方博士提了一個關(guān)于方言和口音問題的提案，題目定為“Dialectal Chinese（帶方言的普通話）”。題目本身的重要性使它在全球十幾家提案中勝出，并成為最終被選定的三四家之一。鄭方博士說，“Mandarin Influenced by Native Dialect（受母語口音影響的普通話）”將有可能成為一個需要四五年時間完成的大項目。
“新三難”問題之二是背景噪音。人多的公共場所巨大的噪音對語音識別影響自不用說，就算在實驗室環(huán)境下，敲擊鍵盤、挪動麥克風都會成為背景噪音。它將破壞原始語音的頻譜，或者把原始語音部分或全部掩蓋掉，造成識別率下降。實際應用中，噪音是無法避免的。研究將要解決的問題就是如何把原始語音從背景噪音中分離出來，這將會使識別系統(tǒng)具有很強的適應性。
第三個就是“口語”的問題。它既涉及到自然語言理解，又與聲學有關(guān)。語音識別技術(shù)的最終目的是要讓用戶在“人機對話”的時候，能夠像進行“人人對話”一樣自然。而一旦用戶以跟人交談的方式來進行語音輸入時，口語的語法不規(guī)范和語序不正常的特點會給語義的分析和理解帶來困難。另外，當人們在口語交流時，即便是人的大腦分析認為是非常標準的發(fā)音，在語音識別的時候上卻變到了聲學的角度，隨意發(fā)音帶來的問題是很大的。
“新三難”是在語音識別技術(shù)的應用中對識別率影響最大的三個因素。除此以外，由于語音在識別前需要傳輸，識別系統(tǒng)還需要適應不同類型的傳輸信道。語音識別技術(shù)本身還有很大的發(fā)展空間。
第二次浪潮還有多遠?
多年的研究使國內(nèi)中文語音識別的核心技術(shù)與國際的差別不大，并且從去年開始，中文語音識別技術(shù)的應用開始大量涌現(xiàn)，產(chǎn)業(yè)化進程從此拉開序幕。鄧永強把語音識別產(chǎn)業(yè)的現(xiàn)狀比作1995年時期的互聯(lián)網(wǎng)，“樹在長大，有綠葉了，還在等開花結(jié)果”。他認為，中文語音識別產(chǎn)業(yè)經(jīng)過了1998、1999年的轉(zhuǎn)折點—從0變成了1，將會在明年出現(xiàn)新的轉(zhuǎn)折點，形成新的發(fā)展高峰。那么，中文能否給語音識別帶來第二次浪潮？
又一次浪潮的出現(xiàn)，必須建立在成型的市場之上。今年3月，HarrisInteractive公司受美國的專業(yè)語音技術(shù)公司Nuance委托對美國普通公民進行了語音技術(shù)滿意度的調(diào)查。調(diào)查結(jié)果是：語音技術(shù)已被廣泛的接受和使用；用戶對他們曾經(jīng)使用的語音技術(shù)有著高度評價；語音比起其它的交互方式有更多的優(yōu)勢。可見，語音技術(shù)在美國的普通公民中有著相當高的接受程度。在這樣的基礎之上，美國語音識別市場逐漸做大，已經(jīng)形成了競爭的格局。
而國內(nèi)在技術(shù)的應用上起步較晚，導致了現(xiàn)在國內(nèi)用戶感到新鮮的語音產(chǎn)品在國外已有了好幾年的應用。早在1997年就進入中國語音識別市場的IBM，已經(jīng)花費大量資金培育市場，讓大家知道了什么是語音技術(shù)。或許正是因為如此，在市場推廣方面較為薄弱的國內(nèi)廠商并不排斥具有強大實力的國際大公司。北京中科模識科技有限公司總裁徐波博士認為，“目前與IBM和微軟這樣的巨頭之間并不是競爭的局面。如果他們在技術(shù)上取得突破并形成產(chǎn)品，或者把語音識別嵌入到他們自己的強勢產(chǎn)品中去，也不一定是壞事。這樣，將會有更多的人接受語音識別技術(shù)，市場規(guī)模會更大。”
鄭方博士表示，“關(guān)鍵的問題是如何把現(xiàn)有的技術(shù)應用到實際中去；如何從市場上獲得更多的反饋以提升技術(shù)，再把新的技術(shù)切入到產(chǎn)品中，不斷的尋找新的結(jié)合點。”研究怎樣跟產(chǎn)業(yè)結(jié)合是一個永恒的話題。語音識別形成產(chǎn)業(yè)并向前發(fā)展不可否認，而能否在明年迎來新的高峰就要看國內(nèi)廠商如何的應用技術(shù)了。業(yè)內(nèi)人士都認為，國內(nèi)的廠商要互相取長補短，一起“拱”出中國的語音識別市場，單單靠一家公司是辦不到的。
另一方面，國內(nèi)的廠商更加重視把現(xiàn)有水平的技術(shù)應用到實際產(chǎn)品中，而不是等待技術(shù)的各個方面都完美了才投放市場。例如得意音通利用姓名撥號的自動總機，就是基于小詞匯量的語音識別。雖然處理的對象是連續(xù)語音，但并不追求對整句的識別和理解，而是采用“關(guān)鍵詞檢出”技術(shù)，在輸入的連續(xù)語音中捕捉感興趣的部分對其進行匹配，從而達到識別的目的。不論這一方式是否師從于國外公司，技術(shù)研發(fā)與應用階段性的交替進行，避免了市場對技術(shù)的過高期待，也就壓制了泡沫的產(chǎn)生。
一向具有前瞻性的重量級IT公司在迎合中國這次語音識別市場發(fā)展機會之時，又一次流露出了對市場發(fā)展高峰之后充分準備，也讓人們看到了在可能出現(xiàn)的“第二次浪潮”后的遠景。20世紀50年代就開始語音識別技術(shù)研究的IBM 不斷推出新的ViaVoice版本，把語音技術(shù)應用到PDA、智能汽車上。它也提供語音開發(fā)工具SDK，希望締造一個全方位的語音平臺。然而，不論中國語音識別第二次浪潮會怎樣來臨，語音識別產(chǎn)品本身會給IBM帶來利益是毫無疑問的。在最近的“IBM亞太區(qū)電子商務解決方案亞洲巡展中國站”北京研討會上，IBM還現(xiàn)場演示了如何利用語音識別來控制家電設備。
微軟也已經(jīng)把語音識別技術(shù)集成到了多個領(lǐng)軍產(chǎn)品中，包括Office和Windows XP，其最新的語音識別服務器軟件Speech Server準備在2004年上半年發(fā)布。該軟件允許用戶使用語音命令對電腦進行操作，企業(yè)也可以利用它建立一種類似于自動電話系統(tǒng)的服務。對于語音識別技術(shù)，微軟把希望寄托于1998年成立的微軟亞洲研究院，大力投入到語音開發(fā)工具的研究和全力支持SALT規(guī)范（語音應用語言標記標準，可能與之前的語音可擴展標記語言VoiceXML形成對立狀態(tài)）上。
微軟當然看到了中國語音識別市場快速發(fā)展，但它的眼光更遠的放在了這一次技術(shù)應用的高峰之后。微軟亞洲研究院語音組主任研究員張益肇博士說，“語音技術(shù)將會無處不在，隨處都會有語音平臺的用武之地，此項技術(shù)是微軟亞洲研究院的重心之一。微軟在醞釀語音技術(shù)更長遠的應用，五年、十五年，或許更長時間—技術(shù)成熟度是決定因素。”微軟眼中，真正的高峰在于語音識別技術(shù)使用戶以最自然方式操作電腦—這就是比爾·蓋茨提出的Natural Computing。
互聯(lián)網(wǎng)周刊
