智能手机的超性能语音识别技术

　　当语音识别技术应用到计算机桌面的时候，这看起来似乎是一个好主意。但是，对于大多数人来说，语音识别还不能取代键盘和鼠标。现在，语音技术正用于一个全新的环境：手机。语音识别技术在手机中的应用将进一步推动这种技术向新的方向发展和应用。这是语音识别技术在台式电脑应用中从来没有涉足的方向。

　　IBM今年将纪念其创建100周年。IBM在60年代初期创建了一个名为“Shoebox”的试验性的语音识别系统。这个系统解决了口语算法问题。语音识别技术是在50年代作为一项早期的技术第一次出现的，当时主要是由于好奇。在60年代初，IBM的“Shoebox”设备能够识别出16个口语单词并且能够回答简单的数学问题，如“3+4=?”。

　　DragonSystems在80年代初为DOS计算机推出的DragonDictate可能是第一个语音识别应用程序。这个应用程序只能识别单个单词，每次只说一个单词。随着时间的推移，这个应用程序已经发展成为名为“DragonNaturallySpeaking”(目前是第11个版本，由Nuance通讯公司所有)的产品。这个应用程序能够翻译以正常的会话语音和速度读出的文本。

　　语音识别技术在台式电脑中的应用有两个制约因素。第一，为了使这个应用程序以更高的准确性工作，这个应用程序必须要进行训练以便识别用户的语音特征。WindowsVista和Windows7操作系统中的本地语音转换文本技术和DragonNaturallySpeaking等第三方产品仍然都需要一个用户训练期才能使用。

　　第二个制约因素是键盘的流行程度。大多数人已经习惯于键盘打字而不是讲话，因此，语音控制面临Dvorak键盘布局同样的应用障碍。当简单的老式QWERTY键盘供货充足并且工作的很好的时候，为什么要学习使用Dvorak键盘呢?

　　微软TellMe团队是负责为多媒体环境开发语音识别技术的部门。TellMe团队高级产品经理AbhiRele指出，在台式电脑环境，用户有方便的人机交流模式，如键盘和鼠标。因此，语音的使用主要是针对语音爱好者的。

　　语音控制的计算更广泛的应用需要两件事情：更好的方便的应用和主要使用语音的地方。手机正是很长时间以来一直在增长的这种地方。

　　Nuance负责产品管理和营销的副总裁MattRevis解释说，台式电脑和移动环境的区别是这样的：台式电脑是一个固定的环境，重点完全在于台式电脑的使用情况。因此，台式电脑的语音技术主要执行如下任务：支持办公应用程序、网络浏览、通讯等。在移动方面，语音更多地用于支持各种生活方式方面：移动中的专业人员、户外的有趣活动、免提电话等等。

　　Gartner分析师TuongNguyen赞同这个观点：语音在移动环境中更有意义。他说，从使用的角度看，掌上设备的语音识别功能价值更大。它增加了用户友好的、方便的输入方式。

　　Nguyen补充说，如果不用语音技术说出一个简单的说明语句，而是翻动许多菜单或者努力地在小显示屏键盘上进行输入，语音识别的价值就显现出来了。随着触摸屏设备(没有物理键盘)应用的增长，语音识别技术将用来增强数据输入和输出。语音识别还支持免提要求或者法律要求。

　　在移动设备方面

　　因为移动设备一般仅支持台式电脑的一部分存储和处理功能，语音处理需要一些时间才能以基本的形式出现在手机中。

　　语音处理Springer手册解释了手机在2000年代初的情况。尽管那时还有一些局限性，但是，手机经过编程之后能够识别逐个数字的拨号语音，在某种程度上还能识别人的名字。主要问题是内存，因此，大多数手机一次只能识别10个数字或者名字。但是，这些作者指出的另一个问题是这个功能使用的比较少，可能是因为手机厂商在这方面的营销很糟糕。

　　随着手机的增加内存和增强处理能力，普通手机的识别能力也增强了。三星电子在2005年发布的售价99美元的SCH-p-207型手机增加了语音至文本的听写功能和语音拨号功能。随着内存达到数百MB和存储容量达到数GB，目前这一代智能手机很少受到限制。

　　另一个关键的进步是网络速度。速度更快的无线网络浪潮抬高了许多大船，包括最新一代的语音处理技术。速度更快的网络能够把语音处理任务从网络迁移到远程服务器。

　　谷歌语音搜索产品经理AmirMane解释了速度更快的网络是如何帮助谷歌语音应用程序的。他说，由于所有繁重的处理任务都是由谷歌服务器在网络上处理的，我们减少了掌上设备计算能力的限制。

　　目前的应用程序

　　手机语音识别技术目前的状态不仅仅局限于语音拨号。语音启动的功能实际上就包括语音拨号。这是手机上出现的第一个语音识别功能。目前，甚至许多低端手机都有这个功能，尽管这个功能处理手机电话簿中一些不常用的名字的时稍差一些。

　　Gartner分析师Nguyen指出，比较新的一代语音功能是更开放的。不用编程执行某些功能的具体的语音指令，应用程序可识别语音并且执行适当的行动。更高端的、更强大的设备使这些应用更可行。换句话说，不仅仅是能够使用这个短语“呼叫888-555-1212”拨打一个电话号码，用户还可以说“呼叫妈妈”或者“给我妈妈打电话”。

　　谷歌语音搜索拥有比以前的语音识别技术更少的限制，因为所有的繁重任务都是由网络服务器完成的。这使谷歌语音搜索等语音驱动的应用程序更可行。例如，如果你说“创战纪电影时间”，你会看到一个网页列出地区编号或者位置。这个应用程序不仅能够识别出这个短语的意思，而且还能提供你的手机(你当前的位置)和网站(上映时间)的信息。

　　这个应用程序还非常熟悉英语，不用进行训练就能自动分辨出一些词汇的差别。如果我说“摩特里裤(MotleyCrue)乐队”，这个应用程序甚至能在搜索词汇方便使用这个乐队的独特的拼写，尽管它会漏掉变音符号。搜索“Motley"sCrew”，你会得到一个喜剧片。

　　这就是说谷歌语音识别的限制明显地表明将使你进一步脱离主流的英语。外国人的名字是没有帮助的。语音识别应用程序的另一个问题是环境的噪音。移动用户受环境噪音的影响通常比台式电脑用户多。Nuance公司的Revis称，在充满噪音的户外环境中，语音识别的准确性是一个问题。

　　自从2005年三星的那款手机推出以来，听写功能已经取得了长足的进步。由DragonNaturallySpeaking驱动的iPhone的Dragon听写功能允许用户听写从备忘录、电子邮件到Twitter更新等一切内容。用于电子邮件的Dragon软件为黑莓设备提供了类似的功能。

　　对于Android手机来说，Nuance提供了FlexT9软件。这个软件把Dragon听写功能与三种类型的触摸屏输入方式结合在了一起。还有一个Handcent短信应用程序。这个应用程序集成了Android本地语音识别技术以帮助你用语音发短信。

　　文本之间的翻译目前已经推出多年(如通过知名的BabelFish网站进行翻译)。同声翻译功能现在还没有，不过，这种软件很快会推出。例如，用于iPhone的Jibbigo软件可翻译单词、短语和合理的简单句子，让双方交替地讲话。

　　未来的方向

　　询问参加开发语音技术的每一个人下一个巨大的步骤是什么。他们一般会给你一个答案：自然语言处理。

　　Revis把它解释为理解你的意思的系统，它不仅仅知道你说什么。在会话式的互动模式中，用户说自己要说的话，没有限制用户如何说这个话。他提供了指令或者要求得到信息的例子，如“我在什么地方能够买到100美元以下的尼康照相机?”或者“给杰尼发个短信说我晚到20分钟”或者“今天晚上在Morton"s订三个人的地方”。

　　谷歌的Mane称，在口语对话中提供自然的语言处理是一个双重挑战。首先，你必须识别这些单词，然后，你必须理解这个意思。第一部分变得更加容易了。但是，第二部分仍然很难解决：意思是根据上下文确定的和难以应付的，人类做的语法分析也不是总是成功的。

　　微软的Rele认为，手机提供的额外的服务(如罗盘或者GPS)能够增强自然语言处理的有用性。他说，你可以为两个人安排吃饭和看电影，方法是利用不同来源的数据把这个任务分开，如使用日历、饭店排名、电影评论和位置等数据。

　　此外，手机的服务能够用于提供讲话的环境。Rele表示，用户的语音输入以及从其它有关用户及用户环境的传感器和状态获得的智能信息可以提供更丰富的和更相关的结果。例如，如果你刚刚使用Foursquare网站查看有关饭店，一些含糊的语音指令就会倾向于外出吃饭、订膳宿和要一辆出租车等事情。

　　多平台应用程序Vlingo自称是“虚拟助手”，已经能够提供这些方面的功能。这个软件插入到OpenTable和Fandango等服务中以完成许多任务：订饭店、订电影票等等。

　　Nguyen认为未来语音识别技术改善的另一个领域是游戏。他说，在游戏中可以使用语音以增加玩游戏的不同氛围。例如，你可以把Kirk-style船长的命令传递给恒星飞船或者在在一个神秘的事情中审讯疑犯。

　　是你吗?

　　已经应用的另一个功能是自动地把语音识别适用于单个用户。这是台式电脑语音识别技术所要求的免提版语音训练。

　　例如，最新版本的谷歌语音搜索有一个选择性加入功能，允许随着时间的推移建立一个用户的客户化语音特征。Mane解释说，当用户选择使用客户化语音识别的时候，我们在用户和用户的语调方面画一个界限，这使我们能够建立一个初步的、个性化的语音识别模式。

　　【免责声明】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。