語音識(shí)別開啟智能新時(shí)代

文/劉榮 張娜

語音識(shí)別開啟智能新時(shí)代

文/劉榮 張娜

對(duì)著手機(jī)說出短信內(nèi)容，手機(jī)就能識(shí)別并譯成文字；向微波爐發(fā)出“加熱3分鐘”的指令，微波爐就能開始執(zhí)行任務(wù)；哼唱一段旋律就能查找到對(duì)應(yīng)的歌曲；輸入一個(gè)關(guān)鍵詞就能從一堆音頻資料里搜索出最匹配的內(nèi)容……這些人們?cè)?jīng)幻想過，但只出現(xiàn)在科幻電影里的情景，隨著語音識(shí)別時(shí)代的到來，都將一一變?yōu)楝F(xiàn)實(shí)。

近日，本刊記者走訪了清華大學(xué)電子工程系副主任、博士生導(dǎo)師吳及副教授，他向我們?cè)敿?xì)介紹了我國(guó)語音識(shí)別技術(shù)的發(fā)展和應(yīng)用方面的問題。

過山車似的發(fā)展

“與機(jī)器進(jìn)行語音交流，讓機(jī)器明白你說什么，這是人們長(zhǎng)期以來夢(mèng)寐以求的事情。語音識(shí)別技術(shù)就是讓機(jī)器通過識(shí)別和理解過程把語音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高新技術(shù)。它是一門交叉學(xué)科，涉及到信號(hào)處理、統(tǒng)計(jì)模式識(shí)別、人工智能、計(jì)算機(jī)科學(xué)、語言學(xué)和認(rèn)知科學(xué)等眾多學(xué)科?！眳羌敖忉屨f。近年來，我國(guó)語音識(shí)別技術(shù)發(fā)展突飛猛進(jìn)，取得了許多顯著進(jìn)步，并開始逐漸從實(shí)驗(yàn)室走向市場(chǎng)。未來語音識(shí)別還將進(jìn)入工業(yè)、家電、通信、汽車電子、醫(yī)療、家庭服務(wù)以及電子產(chǎn)品等各個(gè)領(lǐng)域，全面融入我們的生活。

目前，語音識(shí)別技術(shù)已經(jīng)取得巨大進(jìn)展，一些語音識(shí)別技術(shù)開始得到廣泛應(yīng)用，具有語音識(shí)別功能的產(chǎn)品也不斷出現(xiàn)，這些都標(biāo)志著語音識(shí)別技術(shù)距離人類的日常生活越來越近。然而從20世紀(jì)50年代起步的語音識(shí)別技術(shù)研究并不是一帆風(fēng)順，用吳及的話來說，語音識(shí)別的發(fā)展，一直在峰谷之間徘徊?！捌鸪跞藗円庾R(shí)到語音識(shí)別技術(shù)蘊(yùn)含巨大的潛在價(jià)值，對(duì)它給予很高的期望。但真正開始研究之后，才發(fā)現(xiàn)難度非常大，于是很多人都放棄了；當(dāng)技術(shù)的進(jìn)步讓人們看到了希望，相關(guān)研究又熱了起來，然而由于技術(shù)的發(fā)展仍然難以滿足實(shí)際應(yīng)用的需求，研究工作再次走入低谷。如此跌宕起伏好幾次，像坐過山車一樣?！奔幢闳绱?，學(xué)術(shù)界一直堅(jiān)持研究，正是因?yàn)樵S多和吳及一樣的學(xué)者的矢志不渝，我國(guó)語音識(shí)別技術(shù)才在繼上世紀(jì)70年代和90年代之后，在最近幾年抓住了時(shí)代的機(jī)遇再次迎來了發(fā)展高峰。

吳及認(rèn)為，國(guó)家“863”計(jì)劃的長(zhǎng)期支持、計(jì)算機(jī)性能的提高和基礎(chǔ)數(shù)據(jù)長(zhǎng)期積累，推動(dòng)了我國(guó)語音識(shí)別技術(shù)的快速發(fā)展。80年代中期以來，在國(guó)家“863”計(jì)劃的支持和國(guó)內(nèi)各科研機(jī)構(gòu)的艱苦努力下，語音識(shí)別經(jīng)歷了從特定人到非特定人、從小詞表到大詞匯量、從孤立字到連續(xù)語音的發(fā)展歷程。語音識(shí)別的對(duì)象也從實(shí)驗(yàn)室環(huán)境下的朗讀數(shù)據(jù)發(fā)展到現(xiàn)在的復(fù)雜環(huán)境下的真實(shí)口語數(shù)據(jù)。目前我國(guó)語音識(shí)別技術(shù)的研究水平已基本與國(guó)外同步，而漢語語音識(shí)別技術(shù)更是體現(xiàn)了我們自身的特點(diǎn)和優(yōu)勢(shì)，達(dá)到國(guó)際先進(jìn)水平。

快捷有效的語音搜索

語音識(shí)別系統(tǒng)除了應(yīng)用于人機(jī)交互(車載語音控制、人機(jī)對(duì)話系統(tǒng)等)之外，目前語音搜索和分析技術(shù)也得到很多關(guān)注。

“語音搜索有點(diǎn)類似Google、百度等搜索引擎，不一樣的是現(xiàn)有的搜索引擎只能搜索文本形式的關(guān)鍵字，并不能搜索音頻內(nèi)容，但語音搜索技術(shù)能直接對(duì)音頻內(nèi)容進(jìn)行搜索?！眳羌罢f。對(duì)于音視頻文件，現(xiàn)有的搜索引擎，包括Google和百度，并不能直接對(duì)內(nèi)容進(jìn)行搜索，只能依賴人工創(chuàng)建的文字信息，比如包括音、視頻網(wǎng)頁的環(huán)繞文字，或者相關(guān)的標(biāo)簽(作品名稱或者作者名字)進(jìn)行搜索。但這些信息極為粗略，并不能反映音視頻文件中大部分內(nèi)容，也不能保證準(zhǔn)確性。

隨著多媒體時(shí)代的到來，音視頻資料越來越多，因此能夠面向多媒體數(shù)據(jù)，更為智能的基于內(nèi)容的搜索引擎技術(shù)顯得非常必要，其產(chǎn)業(yè)前景也有望超過當(dāng)前基于關(guān)鍵字的文本搜索技術(shù)。吳及表示，語音搜索技術(shù)是人機(jī)智能交互領(lǐng)域的重要方向，利用智能音頻檢索技術(shù)，用戶就可以根據(jù)音頻內(nèi)容對(duì)多媒體數(shù)據(jù)進(jìn)行搜索和定位，大大提高了處理效率?！罢Z音搜索技術(shù)的出現(xiàn)使得我們管理和利用多媒體數(shù)據(jù)的能力得以提高，甚至它對(duì)國(guó)家的安全監(jiān)控也有幫助，因此備受政府關(guān)注。”

在語音搜索研究領(lǐng)域，吳及課題組承擔(dān)過國(guó)家“863”計(jì)劃課題“基于內(nèi)容的高性能語音搜索技術(shù)探索研究”。經(jīng)過幾年的努力，課題組研發(fā)了面向多媒體數(shù)據(jù)管理和利用的智能音頻檢索技術(shù)，實(shí)現(xiàn)了包括離線預(yù)處理和在線檢索的兩階段音頻檢索系統(tǒng)。同時(shí)，以智能語音搜索技術(shù)研究為基礎(chǔ)，課題組還開展了基于內(nèi)容的海量多媒體數(shù)據(jù)的數(shù)據(jù)處理方法的研究，涉及到機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、自然語言處理、統(tǒng)計(jì)分析、并行計(jì)算等前沿課題。

語音搜索技術(shù)究竟有什么好處呢？吳及舉例說：“如果你想要在一年的新聞聯(lián)播中搜索某段音頻資料，一旦標(biāo)題中沒有你輸入的關(guān)鍵字，一般的搜索引擎就檢索不出來；但是語音搜索技術(shù)能夠?qū)⒄Z音轉(zhuǎn)化為文字，即使新聞標(biāo)題里不含你輸入的關(guān)鍵詞，只要播音員說到了這個(gè)關(guān)鍵詞，系統(tǒng)同樣也能找到你想要的音頻。同時(shí)，我們還可以進(jìn)一步利用語音分析和理解技術(shù)提取新聞節(jié)目的摘要并建立重要事件的發(fā)展脈絡(luò)。語音搜索技術(shù)和語音分析技術(shù)使人們對(duì)音視頻數(shù)據(jù)的理解上升到了一個(gè)全新層面，在計(jì)算機(jī)超強(qiáng)計(jì)算能力的輔助下，人們能夠更加快速、有效地掌握和理解數(shù)據(jù)中包含的內(nèi)容，大大節(jié)省了查找時(shí)間，提高了用戶對(duì)音視頻數(shù)據(jù)的管理和利用能力?！?/p>

吳及在東京參加InterSpeech2010國(guó)際學(xué)術(shù)會(huì)議

創(chuàng)新助力新領(lǐng)域研究

一套擁有諸多優(yōu)點(diǎn)的語音識(shí)別系統(tǒng)具體包含哪些技術(shù)呢？吳及說：“首先是音頻預(yù)處理技術(shù)，初始的音頻數(shù)據(jù)中除了人說話的聲音外，可能會(huì)錄入其他干擾聲音，因此我們需要對(duì)音頻進(jìn)行處理，將有用的聲音和噪聲區(qū)別開。這樣的預(yù)處理也叫做語音端點(diǎn)檢測(cè)或者場(chǎng)景分割，這對(duì)識(shí)別系統(tǒng)來說是很關(guān)鍵的一步；此外還有特征提取，建立語音模型并進(jìn)行參數(shù)學(xué)習(xí)，以及在給定的網(wǎng)絡(luò)空間中進(jìn)行高效率的搜索識(shí)別等。目前在這些基礎(chǔ)技術(shù)上，國(guó)內(nèi)與國(guó)外的發(fā)展水平基本持平?！?/p>

當(dāng)前語音識(shí)別技術(shù)面臨的一個(gè)重要難題是多語言混合識(shí)別。據(jù)吳及介紹，現(xiàn)在的實(shí)際漢語里有很多外來語，它們的發(fā)音習(xí)慣和漢語普通話不一樣，需要在識(shí)別系統(tǒng)中采取專門的策略，目前想要徹底解決這個(gè)問題還有很大難度。在實(shí)際生活中，語言中不斷產(chǎn)生新詞，比如“給力”、“雷人”等，如果語音識(shí)別模型里沒有收集到這些新詞，也會(huì)對(duì)識(shí)別產(chǎn)生一定影響。另外，復(fù)雜環(huán)境下的真實(shí)口語數(shù)據(jù)中會(huì)受到噪聲的干擾，會(huì)包含各種口語現(xiàn)象，這些對(duì)于識(shí)別性能的提高都是很大的挑戰(zhàn)?！斑@些存在的問題有些需要從技術(shù)上進(jìn)行完善，而有些需要在知識(shí)積累上進(jìn)行補(bǔ)充，比如新詞的問題，需要我們不斷更新詞典和語言模型，跟上語言的發(fā)展步伐?！?/p>

至于語音識(shí)別技術(shù)未來的發(fā)展方向，吳及表示基本不會(huì)脫離人機(jī)交互和海量數(shù)據(jù)處理的軌道。他說：“接下來我們會(huì)用語音識(shí)別、語音搜索和語音分析等智能語音技術(shù)構(gòu)建一些新的應(yīng)用，這是現(xiàn)在比較前沿的方向。這個(gè)過程需要解決許多以前從沒遇到過的問題，所以離不開自主創(chuàng)新。脫離創(chuàng)新，新領(lǐng)域的研究工作不可能順利進(jìn)行，這是科學(xué)研究最基本的特點(diǎn)。”

吳及，清華大學(xué)電子工程系副主任、副教授、博士生導(dǎo)師；主要從事數(shù)據(jù)結(jié)構(gòu)與算法方面的教學(xué)工作，以及語音識(shí)別、信號(hào)處理、人機(jī)交互、模式識(shí)別和機(jī)器學(xué)習(xí)方面的研究工作；2001年～2003年負(fù)責(zé)“863“項(xiàng)目“智能化中文語音信息處理平臺(tái)”，2006年～2008年負(fù)責(zé)“863”項(xiàng)目“基于內(nèi)容的高性能語音搜索技術(shù)探索研究”；目前擔(dān)任清華——訊飛語音技術(shù)聯(lián)合實(shí)驗(yàn)室主任、全國(guó)人機(jī)語音通信學(xué)術(shù)會(huì)議常設(shè)機(jī)構(gòu)委員；是多個(gè)國(guó)內(nèi)外學(xué)術(shù)期刊和會(huì)議的審稿人，在國(guó)內(nèi)外期刊、會(huì)議上發(fā)表論文50余篇。