首頁 > 讓機(jī)器能夠聽懂人類的語言，一直以來都是人類夢寐以求的愿望。在今天，語音識別到底離我們有多遠(yuǎn)？
很小的時(shí)候愛看科幻小說，在那樣的小說中，曾經(jīng)看到過科幻小說家預(yù)言未來的人會長成什么樣子。按照達(dá)爾文的進(jìn)化理論，未來的人腦袋將會變得極其之大，而四肢則漸漸退化。因?yàn)槿祟愅ㄟ^聰明的大腦，逐步讓四肢從繁瑣的工作中解放出來，最終就會變成腦袋龐大而四肢退化的模樣。而語音識別（Speech Recognition）就是在這種科幻進(jìn)程中解放我們雙手的一項(xiàng)重要技術(shù)。
讓機(jī)器直接能夠聽懂人類的語言，一直以來都是人類夢寐以求的愿望。可是語音識別技術(shù)雖行之有年, 但進(jìn)展卻似乎緩慢。當(dāng)記者走進(jìn)中科院聲學(xué)所的中科信利語音實(shí)驗(yàn)室，才切身體會到，其實(shí)語音識別離我們并不遙遠(yuǎn)。
哼唱識別系統(tǒng)
不久前，中科院聲學(xué)所的中科信利語音實(shí)驗(yàn)室開發(fā)出了一種“哼唱檢索系統(tǒng)”，無需鼠標(biāo)鍵盤，對著話筒哼唱出歌曲的旋律就可以檢索到哼唱歌曲的曲名。當(dāng)記者在中科信利語音實(shí)驗(yàn)室的會議室，面對屏幕，拿著話筒哼起一段鄧麗君的《甜蜜蜜》的旋律時(shí)，大概只用了6～10秒，檢索系統(tǒng)就自動檢索出來了所哼唱旋律的歌名，并附上了完整的歌詞。
“哼唱檢索系統(tǒng)是通過旋律匹配進(jìn)行檢索的。”博士畢業(yè)論文專門研究哼唱檢索系統(tǒng)的語音助理研究員李明介紹說。哼唱檢索系統(tǒng)根據(jù)歌曲旋律的走勢來匹配檢索，而不是通過音調(diào)。因?yàn)橐粽{(diào)的基準(zhǔn)會有所不同，這就大大降低了檢索識別的適用性。所以，對于哼唱檢索系統(tǒng)的使用者而言，哼唱節(jié)奏的快慢，以及記得歌詞與否，都對檢索識別沒有影響。正是因?yàn)榇耍@套系統(tǒng)在由美國伊利諾斯大學(xué)負(fù)責(zé)主辦的國際音樂信息檢索評測比賽(MIREX)中，以92％的準(zhǔn)確度獲得了第一名的好成績。
任何系統(tǒng)都不能只存在于實(shí)驗(yàn)室中，哼唱檢索系統(tǒng)業(yè)理所當(dāng)然要走出實(shí)驗(yàn)室。“我們的哼唱檢索系統(tǒng)已經(jīng)在河北等地的移動彩鈴業(yè)務(wù)中應(yīng)用了。”中科信利語音實(shí)驗(yàn)室研究室主任顏永紅說。“用戶通過哼唱一段旋律，就能查找到自己聽過卻不知道名稱的歌曲或彩鈴，然后進(jìn)行點(diǎn)播和下載。這種大規(guī)模的商業(yè)應(yīng)用，已經(jīng)進(jìn)入了成熟階段。”顏永紅還表示，實(shí)驗(yàn)室正在著手和互聯(lián)網(wǎng)幾大音樂內(nèi)容提供商合作，相信在不久的將來，就可以實(shí)現(xiàn)在互聯(lián)網(wǎng)上哼唱一段旋律來檢索歌曲名稱。
提高識別率
對于中科信利語音實(shí)驗(yàn)室研究出來的這套哼唱識別系統(tǒng)，還有一個(gè)更好的應(yīng)用前景就是在KTV等場所的歌曲檢索。對于愛好唱歌的人而言，一定都有過這樣的經(jīng)歷: 往往熟悉一首歌曲的旋律，卻記不住歌曲的名稱。特別是在KTV點(diǎn)唱時(shí)，K友常常會遇到這樣的問題，想唱卻又找不到歌名。哼唱檢索系統(tǒng)正好解決了這樣的問題。試想，當(dāng)有一天，我們在KTV中點(diǎn)歌時(shí)，不必再通過繁瑣的手動操作界面，而只需要通過口頭來完成，那種感覺又豈是方便兩個(gè)字能簡單概括的。而這種搜索模式的實(shí)現(xiàn)，其實(shí)只要在KTV的點(diǎn)歌系統(tǒng)中嵌入哼唱檢索系統(tǒng)的技術(shù)就可以了。
但是，中科信利語音實(shí)驗(yàn)室開發(fā)出來的哼唱檢索系統(tǒng)對哼唱的環(huán)境是有所要求的。“我們的檢索環(huán)境要求是要相對安靜的。”李明這樣介紹說。那么，對于KTV中過于嘈雜的語音環(huán)境，哼唱檢索系統(tǒng)，如何發(fā)揮他的威力呢？
“目前語音識別技術(shù)需要解決的問題，一個(gè)是對噪音環(huán)境的處理，一個(gè)是對不同口音的識別，再一個(gè)就是要不斷提出好的算法。”顏永紅這樣對記者說到。語音識別技術(shù)的基本原理就是對輸入的語音信號進(jìn)行分析，抽取語音特征參數(shù)與存儲器中的語音模板的參數(shù)進(jìn)行匹配識別。因此，語音識別技術(shù)不僅對識別的背景、噪聲干擾有要求，同時(shí)，對說話者的清晰程度、連貫程度，以及是否口語化是否帶口音，也都有要求。這些正是導(dǎo)致語音識別技術(shù)識別率不高的主要原因，也是導(dǎo)致語音識別技術(shù)一直沒有能夠大規(guī)模展開應(yīng)用的瓶頸。
如何提高識別率一直都是語音識別技術(shù)不斷挑戰(zhàn)的問題。基于目前的語音識別技術(shù)，語音識別的應(yīng)用，應(yīng)該是相對小眾的，而且面對特殊人群的。例如，某一領(lǐng)域，相對安靜背景的語音識別的應(yīng)用，又或，就目前而言，語音識別技術(shù)對于盲人群體的作用與幫助要大大高于一般的正常人。
語音識別搜索
語音識別技術(shù)一個(gè)很有效的應(yīng)用，就是語音識別搜索。“語音識別搜索主要有三種方式: 原聲搜索、旋律匹配搜索和語音搜索。”中科信利語音實(shí)驗(yàn)室副研究員趙慶衛(wèi)博士告訴記者。原聲搜索是針對原始聲音進(jìn)行完整匹配的搜索。除人聲外，其他周遭的一切聲音都可以針對原聲搜索出其位置。而哼唱檢索系統(tǒng)就是典型的旋律匹配搜索。至于語音搜索，是指針對某一特定人員的語音進(jìn)行篩選搜索的方式。
在信息瘋狂膨脹的時(shí)代，對于浩瀚信息中的有效資源搜索毫無疑問是相當(dāng)重要的。而且，信息已經(jīng)不單純是以往的純文本，而是逐步發(fā)展到了音頻、視頻領(lǐng)域。以往單純通過音頻、視頻文件的文本標(biāo)簽來搜索音、視頻文件已經(jīng)不足以滿足用戶的需求。通過語音識別對音、視頻內(nèi)容的搜索已經(jīng)開始廣泛應(yīng)用。
美國的Blinkx就是最先開始應(yīng)用語音識別進(jìn)行內(nèi)容搜索的網(wǎng)站之一。而在國內(nèi)，openv.tv也露出了做專業(yè)的電視及視頻搜索引擎的意圖。當(dāng)文字搜索已經(jīng)發(fā)展到幾乎沒有上升空間的時(shí)候，微軟、Google這些技術(shù)巨頭也開始瞄準(zhǔn)未來的語音、視頻搜索市場。
未來無限大
語音識別芯片的應(yīng)用范圍其實(shí)十分廣闊: 電話通信中的語音撥號、汽車的語音控制、工業(yè)控制及醫(yī)療領(lǐng)域的人機(jī)語音交互界面、個(gè)人數(shù)字助理（Personal Digital Assistant，PDA）的語音交互界面、語音智能玩具、家電的語音遙控等。解放雙手，豐富溝通，是在這些領(lǐng)域應(yīng)用的共性。
除此之外，語音識別還可以給我們帶來更多的便利。“語音識別的關(guān)鍵一個(gè)是發(fā)音評估，一個(gè)是內(nèi)容識別。”趙慶衛(wèi)說。除了哼唱檢索系統(tǒng)以外，中科信利語音實(shí)驗(yàn)室在音頻水印、發(fā)音糾正、語種識別等方面都有成果。音頻水印是以編碼方式嵌入音、視頻文件，主要應(yīng)用于音、視頻文件的版權(quán)保護(hù)、保密通信以及廣播監(jiān)聽。發(fā)音糾正軟件可以對說話人的發(fā)音進(jìn)行評估和分析，特別有助與用戶的語言學(xué)習(xí)。據(jù)趙慶衛(wèi)介紹，這種發(fā)音糾正已經(jīng)用于國內(nèi)部分地區(qū)推廣普通話的進(jìn)程中了。
“市場每年;都在變大。”談及語音識別市場的未來時(shí)，顏永紅如是說。根據(jù)半導(dǎo)體行業(yè)的摩爾定律，硬件成本過高是導(dǎo)致語音識別技術(shù)無法在家電等領(lǐng)域應(yīng)用的主要原因。“早在2002年，技術(shù)上就已經(jīng)實(shí)現(xiàn)在電話上應(yīng)用語音識別技術(shù)了，但是卻只能用在部分高端手機(jī)上。”顏永紅說。
中科信利語音實(shí)驗(yàn)室目前一直在和致力于芯片技術(shù)的廠商合作，從而有效地解決了語音處理過程中遇到的噪聲等問題，提高了聲學(xué)語音傳達(dá)的準(zhǔn)確性，與語音識別軟件技術(shù)形成優(yōu)勢互補(bǔ)。
“希望10年到20年的時(shí)間內(nèi)，語音識別技術(shù)會有長足的發(fā)展。”顏永紅充滿期盼地說道。也許過不了多久，面貌煥然一新、同時(shí)蘊(yùn)藏巨大商機(jī)的語音識別應(yīng)用熱潮，將會徹底改變?nèi)藗兊乃季S定勢，其實(shí)理想和現(xiàn)實(shí)的距離并不如我們想象的那么遙遠(yuǎn)。
計(jì)算機(jī)世界網(wǎng)
