科大讯飞副总裁江涛：语音技术的三大种类

　　引言：苹果iPhone 4S的Siri功能推出，可谓是引起了人们对于智能语音技术的极大关注。其实，语音技术非常复杂，表象繁多，本刊通过采访国内科大讯飞、国笔等专家对目前的语音市场进行梳理和探讨。

一、不仅仅是语音，还是人工智能

　　尽管苹果“教主”乔布斯离开了我们，尽管iPhone 5没有入人们期望的那样出现，但是iPhone 4S的推出仍然成功吸引了苹果粉丝和业界的所有关注。根据美国电话电报公司(AT&T)透露，iPhone 4S在发布12小时之内就接到了20万份订单，而其中最引入注目的一大新功能，就是被称为Siri的语音助手功能。

　　10月4日上午，苹果全球产品副总裁Phil Schiller与负责iOS软件的副总裁Scott Forstall在新品发布会上，隆重介绍了Siri。

什么是Siri？

　　Forstall在现场进行了演示，他拿起iPhone 4S，对手机问道：“今天天气如何？”屏幕上立刻显示出今天的天气状况。他又接着问，我用带伞吗？Siri马上回答，今天会下雨。随后，他还用这款应用演示了搜索和设置闹钟提、预约等功能。

　　Siri跟普通的语音搜索不一样，它能明白你所说的，了解你的意思，甚至还能回答你的问题。那感觉就像真正拥有私人助理似的，而且是一位善解人意的私人助理。无论你用何种方式提问，它都能以人的思维去思考和反应，而不是以预设的程序答非所问。

　　Siri能为你做的不仅仅是提供答案，它还可以亲自替你完成一些基本的事情。比如，你可以吩咐Siri发短信给你父亲、提醒你预约牙医、帮你查找到达目的地的路线，不用担心Siri不够聪明，因为它能够思考完成这些事情需要运行哪些应用程序，还能明白你要打电话的准确对象。

　　Siri还包括传闻中的“语音转文字”的功能，你只需按下麦克风，把你想发送的内容说出来，Siri就可以将你所说的内容转换成文字，并发送出去。除了发送短信外，Siri还集成到一些第三方应用，这样，你只需动动嘴皮子，就能更新Facebook、发送Twitter消息或者即时聊天。

　　如果你认为Siri只是一个简单的声音控制软件，而你的Android手机上的语音助手或NOKIA语音提示也可做到这点，那你就错了。

　　我们不妨探究一下Siri的血统，这家最近刚被苹果收购的公司，直接发端于美国军方的CALO(Cognitive Assistant that Learns and Organizes)项目，这也是史上最大的人工智能项目，汇聚了全球人工智能方面的顶尖专家。

　　你如果看过好莱坞大导演斯皮尔伯格的电影《A I》，相信会对人工智能有一定了解，通过人工智能技术，机器人可以把“对话、自然语言理解、视觉、演说、机器学习、制定计划、理性思考、服务代表全部融合到一起”。Siri的技术正源自人工智能，而不是简单的搜索和语音识别。它能够自主分析用户发出的口语指令，并给出确切的回应和指导，完全不需要用户预选学习使用方法。

　　在国外某科技博客录制的一段视频中，评测人员对Siri提出了许多含义模糊或有歧义的问题。比如：“附近有没有什么浪漫的法国餐厅？”，比如：“天空为何是蓝色的？”比如“钢琴上有多少个八度？”对人类而言，这些句子再平常不过了，但要让机器去理解这些变化多端的棘手词汇，尤其是“浪漫”这种形容词，那就极端困难了，然而这些问题Siri都可以回答。

　　你甚至还可以对Siri表白，对它说：“我爱你！”它的回答也很妙：“希望你不会对其它手机也这么说。”

　　该评测人员随后在博客中写到：“Android系统的Voice Actions也是一项伟大的技术，但说真的，它和Siri不是同一个层面的产品。Siri非常酷，与之相比Voice Actions虽说确实让我们省去了打字输入、触摸操作的工序，但操作太复杂，只有那些Geek会使用它。然而，妈妈们会选择Siri。”

二、语音技术的三大种类

　　除了人工智能，Siri的核心功能仍是基于语音识别的语音技术，其语音引擎来自Nuance，这家公司在全球手机输入法上处于垄断地位。

　　这一技术并非革 命性的变革，早在计算机发明之前，自动语音识别的设想就已经被提上了议事日程，早期的声码器可被视作语音识别及合成的雏形。而1920年代生产的“Radio Rex”玩具狗可能是最早的语音识别器，当这只狗的名字被呼唤的时候，它能够从底座上弹出来。

　　近二十年来，语音识别技术取得显著进步，开始逐渐从实验室走向市场。据了解，许多大公司如IBM、苹果、微软、Google、AT&T和NTT等早在多年前都对语音识别系统的实用化研究投以巨资。目前主流的语音技术方案包括IBM公司推出的Via Voice和Dragon System公司的Naturally Speaking, ，Nuance公司的Nuance Voice Platform语音平台，Microsoft的Whisper,Sun的VoiceTone，以及科大讯飞的口讯等。

　　“语音技术是一个典型的交叉科学，涉及到很多方面，不是说有钱就能做的，是有一定门槛的。你可以去APP下载一个我们的软件体验一下”。根据科大讯飞副总江涛对电子工程专辑记者的介绍，目前语音技术大体上有三个分支：

　　第一类是语音合成技术(TTS)，就是把文字变成语音，能够把文字读出来的技术，这个技术相对来说发展最早，也比较成熟。

　　第二类是语音识别技术(ASR)，它又有几个细分，比较技术成熟的有命令识别(voice command)，在有限的指定空间中实现你说的命令，早期很多手机上的语音识别很多就是这个层面。还有一个分支是语音评测，能够对你说的不同语言的标准程度进行打分、评价与指导。

　　第三类是声纹识别技术，因为语言中人的声带带有独特的物理特性，跟指纹、虹膜一样每个人的声音都是独特的，目前这种技术主要用在声音加密方面，可以识别不同人的声音。

　　据江涛对电子工程专辑记者透露，目前最难实现的就是语音识别技术(ASR)，尽管业内普遍以识别率作为软件评测的标准，但语音受影响的环境因素太多了，说话人的语气、语速、外围的噪音程度，麦克风的情况，尤其是云端识别，传输的信道好坏，很多很多因素都是不可控制的，“所以让官方去测一个系统识别率是多少其实意义不大，因为每个人用的具体环境都不大一样。最终做决定的还是消费者，他们会用自己的手机去投票”。


图：科大讯飞副总裁 江涛

三、语音技术面临的诸多挑战

　　据江涛介绍，目前语音识别技术在实现上还有几大难点需要解决：

　　1、自适应方面

　　目前，象IBM的ViaVoice和Asiaworks的SPK都需要用户在使用前进行几百句话的训练，以让计算机适应你的声音特征。这必然限制了语音识别技术的进一步应用，大量的训练不仅让用户感到厌烦，而且加大了系统的负担。现实世界的用户类型是多种多样的，就声音特征来讲有男音、女音和童音的区别，此外，许多人的发音离标准发音差距甚远，这就涉及到对口音或方言的处理。事实上，ViaVoice的应用前景也因为这一点打了折扣，只有普通话说得很好的用户才可以在其中文版连续语音识别方面取得相对满意的成绩。

　　2、强健性方面

　　语音识别技术需要能排除各种环境因素的影响。目前，对语音识别效果影响最大的就是环境杂音或嗓音，在公共场合，你几乎不可能指望手机能听懂你的话，来自四面八方的声音让它茫然而不知所措。很显然这极大地限制了语音技术的应用范围，目前，要在嘈杂环境中使用语音识别技术必须有特殊的抗噪(Noise Cancellation)麦克风才能进行，这对多数用户来说是不现实的。在公共场合中，个人能有意识地摒弃环境嗓音并从中获取自己所需要的特定声音，如何让语音识别技术也能达成这一点呢？这的确是一个艰巨的任务。

　　某位业内人士在微博上表示：“与iPhone 4一样，iPhone 4S也配有副麦克风，用来过滤背景杂音。使用过Nuance Dragon语音到文本产品的用户无疑会对这种情形非常熟悉：在语音输入时必须保证良好的音质并且减少杂音，即便这样语音输入结果也并非100%准确。基于此，我们认为iPad和iPod touch上的低音质麦克风无法让语音输入获得最佳效果，从而无法在短时间内用上Siri。”

　　此外，带宽问题也可能影响语音的有效传送，语音技术的流量要求主要看语音的质量，越保真的语音传输量越大，现在主流的语音技术采用的都是16bit编码和8bit编码两种。在速率低于1000比特/秒的极低比特率下，语音编码的研究将大大有别于正常情况，比如要在某些带宽特别窄的信道上传输语音，以及水声通信、地下通信、战略及保密话音通信等，要在这些情况下实现有效的语音识别，就必须处理声音信号的特殊特征，如因为带宽而延迟或减损等。

　　3、多语言混合识别以及无限词汇识别方面

　　由于目前使用的声学模型和语音模型太过于局限，以至用户只能使用特定语音进行特定词汇的识别。如果突然从中文转为英文，或者法文、俄文，计算机就会不知如何反应，而给出一堆不知所云的句子；或者用户偶尔使用了某个专门领域的专业术语，如 “信噪比"等，可能也会得到奇怪的反应。根据笔者的使用体验，中文与英文夹杂，包括数字的夹杂识别会比较困难。

　　目前正在做语音方面的开发，还不方便公布。

　　云计算在安全和识别方面，凡是涉及到云端的，都要在服务器上实现，就以打电话、发短信来说，其实运营商那里都有备份，本身有没有安全问题，其实只要管理规范，并且控制在几家大公司范围内，我相信不会太乱。电子邮件做了这么多年，安全性问题也有，但是不能因为这样就不用。

　　4、实用性方面

　　国外科技博主Michael Okuda对Siri的实用性抱怀疑态度。“这只是一个DEMO，目前来看根本谈不上革 命。Siri无法进行大段文字录入和现场翻译的语音识别，而且限定了必须在App内的特定识别，总觉得又是个苹果抛砖引玉教育用户的动作。”

　　他认为，语音输入可能并非如此高效。“设想一下，我在搜索图片，我会说‘上、上、左、往下一个，图片编号3362，不对，左边那个。’这简直比直接点击那张图片要慢很多。”Michael说。“我认为，自然语言必然会遇到诸多限制。”

四、云平台加速中文语音识别的来临

　　Siri的推出吸引了业内对于语音识别技术的关注，据了解，此次Siri仅推出了英文、法文、德文版本，并且只能在iPhone 4S上面使用，这无疑对于专注中文语音技术的国内厂商带来巨大利好。不过由于Siri并非单纯语音识别，而更是语义识别，即理解自然语言并作出合理回应。中文自然语言的语义识别是Siri面对的难点与障碍。苹果本身十分注重中国市场，从iPhone 第一代的iPhone OS在发布之时就已包含中文语言及输入法即可看出。

　　事实上，早在1997年，IBM公司就开发出汉语ViaVoice语音识别系统，可以识别上海话、广东话和四川话等地方口音的语音识别系统ViaVoice'98。它带有一个32,000词的基本词汇表，可以扩展到65,000词,还包括办公常用词条，具有“纠错机制”，其平均识别率可以达到95%。而中科院自动化所及其所属模式科技(Pattek)公司2002年发布了他们共同推出的面向不同计算平台和应用的“天语”中文语音系列产品——PattekASR，结束了中文语音识别产品自1998年以来一直由国外公司垄断的历史。

　　你可能还记得几年前电视上出现过的“金立语音王”广告，该款手机可以通过语音收发短信，同时还可以通过语音阅读文档资料，可以说是国内手机厂商在语音识别上的最早尝试。

　　国笔科技副总裁庄传坤对电子工 程专辑记 者表示，类似于金立语音王这种产品就属于命令识别技术，事先设定一些命令，或者命令组合，早期的金立语音王基本上就是在手机CPU上进行处理，运算速度和存储空间有限，只能识别有限的一千多条指令，体验也不好。科大讯飞副总江涛则透露，今年金立基于科大讯飞的语音云做了一个新的版本，在云服务器上可以做到几十万条的识别。

　　据了解，目前国内客户对于语音技术的了解还处于起步阶段，市面上完整成熟的中文语音解决方案还不多。科大讯飞董秘徐景明就对电子工 程专 辑记者表示，苹果推广Siri将从实际应用等方面加速行业发展与普及。

　　根据徐景明的介绍，科大讯飞目前通过两种方式来培育语音识别业务，一是开发自身的产品讯飞口讯和讯飞语音输入法，发展语音云、丰富数据库，公司语音输入法目前对标准普通话的识别正确率已提升到95%以上；二是向应用软件开发商们开放语音云平台接入，目前包括挖财在内的理财记账软件、凯立德在内的地图软件，都已内置了科大讯飞的语音识别功能。此外，公司还与中国电信合作推出了应用相关技术的通讯增强软件。

　　自2010年10月28日科大讯飞“语音云”成功发布之日起，讯飞语音云合作伙伴已经超过500家，包括新浪、搜狐、腾讯、联想、挖财、乐么乐么等,语音云的用户量也已经超过2000万，而除了科大讯飞，Nuance也在同样搭建开放的语音云平台，开发者可以给予其语音引擎开发各种第三方的语音应用。

　　至于Siri所应用的人工智能方面，国内厂商中目前腾讯联合中科院推出的小Q机器人是一大尝试，可以实现部分思考和理解能力，相信随着iPhone 4s的大力推动和智能手机的进一步发展，中国厂商自行研发的具有人工智能的语音软件将会很快问世。