語(yǔ)音識(shí)別即將進(jìn)入規(guī)模化應(yīng)用

嚴(yán)冬雪

當(dāng)下語(yǔ)音識(shí)別可能已達(dá)到平均95%的準(zhǔn)確度，一旦提升到99%，就將發(fā)生質(zhì)變。

來(lái)自商界的種種動(dòng)向顯示，語(yǔ)音識(shí)別，這項(xiàng)把人類語(yǔ)音轉(zhuǎn)換成文本的研究，已經(jīng)成為人工智能領(lǐng)域最接近應(yīng)用的技術(shù)。

過(guò)去數(shù)月間，這種動(dòng)口不動(dòng)手的“黑科技”頻繁出現(xiàn)在國(guó)內(nèi)科技行會(huì)中。7月，奇點(diǎn)極客公園創(chuàng)新者峰會(huì)上，搜狗CEO王小川一邊演講，大屏幕上一邊顯示出內(nèi)容，識(shí)別結(jié)果令人驚艷；10月上旬，在杭州云棲大會(huì)上，4萬(wàn)人現(xiàn)場(chǎng)見證馬云一邊演講，一邊在大屏幕上秀出阿里機(jī)器人打出的字幕，還有700萬(wàn)人通過(guò)在線直播觀看了這一幕，造就了語(yǔ)音識(shí)別最大規(guī)模的一次亮相；10月下旬，錘子手機(jī)M1發(fā)布會(huì)上，科大訊飛的語(yǔ)音識(shí)別技術(shù)快速、精準(zhǔn)地將羅永浩的講話譯成文字，幾乎成為發(fā)布會(huì)主角。

一邊演講，一邊在大屏幕上彈出語(yǔ)音識(shí)別字幕，日趨成為潮流標(biāo)配。這也意味著，這項(xiàng)技術(shù)正在步入成熟期。微軟10月底發(fā)布的一份學(xué)術(shù)聲明表示：語(yǔ)音識(shí)別技術(shù)的精準(zhǔn)性已經(jīng)媲美人類，在產(chǎn)業(yè)標(biāo)準(zhǔn)測(cè)試中，其語(yǔ)音識(shí)別實(shí)現(xiàn)了詞錯(cuò)率低至5.9%——與人類專業(yè)速記員的最好記錄持平，這意味著其識(shí)別能力已經(jīng)高于世界上絕大多數(shù)人，而與人類專業(yè)高手持平。

頂級(jí)語(yǔ)音專家、微軟研究院首席研究員俞棟表示，在安靜環(huán)境下，使用近距離麥克風(fēng)，語(yǔ)音識(shí)別的正確率已經(jīng)跨過(guò)了應(yīng)用門檻。

巨頭的共同動(dòng)作

來(lái)自巨頭們的動(dòng)作亦可印證這一趨勢(shì)：從2010年開始，蘋果公司先后收購(gòu)包括Siri在內(nèi)的3家語(yǔ)音識(shí)別公司；谷歌、亞馬遜、Facebook也各自收購(gòu)2～4家；微軟則從自家戰(zhàn)略層面發(fā)展Skype、Cortana和微軟小冰；今年，英特爾宣布與語(yǔ)音識(shí)別技術(shù)公司Sensory達(dá)成合作，在以后最新的芯片中集成整合該公司的語(yǔ)音識(shí)別技術(shù)。

相比國(guó)外大公司在收購(gòu)技術(shù)上花錢，國(guó)內(nèi)公司則將各自語(yǔ)音識(shí)別技術(shù)大膽靠近應(yīng)用。例如百度語(yǔ)音嵌入百度旗下其他App，搜狗語(yǔ)音應(yīng)用于輸入法，騰訊則讓微信具備語(yǔ)音轉(zhuǎn)文字功能。創(chuàng)業(yè)公司也紛紛利用語(yǔ)音技術(shù)，依靠硬件作為流量分發(fā)入口，應(yīng)用在智能家居、車載語(yǔ)音助手等產(chǎn)品上。

事實(shí)上，現(xiàn)階段大部分人早已享受語(yǔ)音識(shí)別科技，比如客服服務(wù)。作為全球最大的電商，阿里巴巴的客服需求一直伴隨業(yè)務(wù)的激增而擴(kuò)大，這導(dǎo)致人力成本高企。應(yīng)對(duì)這一狀況的傳統(tǒng)方式是客服外包，但其服務(wù)不可靠、不穩(wěn)定的缺點(diǎn)難以克服。最開始，阿里采用抽檢式的質(zhì)檢，從每100通電話里抽取1通，由人工逐句檢驗(yàn)錄音是否合規(guī)。

負(fù)責(zé)人很快發(fā)現(xiàn)，1%的抽檢率不足以覆蓋全部問(wèn)題，因?yàn)槊總€(gè)人犯錯(cuò)的方式存在很大差異。于是，阿里云的人工智能機(jī)器人ET介入該項(xiàng)服務(wù)，將語(yǔ)音轉(zhuǎn)化為文字，再利用關(guān)鍵詞搜索等完成質(zhì)檢，一旦觸發(fā)違規(guī)，會(huì)自動(dòng)進(jìn)入處罰流程。如果客服認(rèn)為ET識(shí)別有誤，自己被冤枉了，可以點(diǎn)擊“申訴”——人工質(zhì)檢員只在這一步介入。如此，在同等人力條件下，質(zhì)檢率從1%提升到了100%。

阿里云智能語(yǔ)音高級(jí)專家陳一寧告訴《財(cái)經(jīng)天下》周刊，除了客服，語(yǔ)音識(shí)別也應(yīng)用在淘寶、支付寶、釘釘?shù)纫苿?dòng)端應(yīng)用，甚至進(jìn)入了杭州市西湖區(qū)人民法院的庭審現(xiàn)場(chǎng)。自今年6月起，該法院的書記員工作被ET替代。法官及訴訟參與各方人士的發(fā)言，都會(huì)在顯示屏上即時(shí)顯示。

陳一寧解釋，讓語(yǔ)音識(shí)別參與庭審不僅可以節(jié)省人力，其最大意義在于方便檢索和后續(xù)分析。法官們?cè)趯彴盖埃枰獏⒖纪惏讣奶幚?，而ET自動(dòng)將庭審內(nèi)容轉(zhuǎn)化為文字并歸檔，就能方便法官輸入同類關(guān)鍵詞，查看所有相關(guān)案件的記錄。

電腦與人耳的優(yōu)劣

微軟稱最新的語(yǔ)音識(shí)別詞錯(cuò)率與專業(yè)速記員持平，阿里也做了類似的測(cè)試。在今年年初的2016阿里云年會(huì)上，阿里ET與世界速記大賽亞軍得主姜毅同時(shí)為現(xiàn)場(chǎng)演講做速記。與姜毅的對(duì)決中，ET以0.67%的微弱優(yōu)勢(shì)取勝。

面對(duì)人類中的頂級(jí)選手，ET的取勝優(yōu)勢(shì)在于其穩(wěn)定性和并發(fā)計(jì)算能力。人類的體力有極限，在高強(qiáng)度壓力下難以保持穩(wěn)定；此外，計(jì)算機(jī)的高并發(fā)能力使其可以在發(fā)現(xiàn)錯(cuò)誤后，瞬間完成修改，速記員則只能在演講者話語(yǔ)中斷的間歇見縫插針?lè)祷匦薷摹?/p>

人類的另一個(gè)弱項(xiàng)是對(duì)短句的識(shí)別。如果沒有前后語(yǔ)境，突然冒出一句語(yǔ)速又快、內(nèi)容又短的句子，一般人很難聽清。但計(jì)算機(jī)不怕語(yǔ)速快，并且能通過(guò)大數(shù)據(jù)學(xué)習(xí)沉淀下的經(jīng)驗(yàn)，去根據(jù)之前聽過(guò)的類似語(yǔ)音，來(lái)計(jì)算出這句話最可能是什么。

但若論真正“聽懂”的智慧，電腦尚未追趕上人類。比如在環(huán)境嘈雜、多人同時(shí)發(fā)音、中英夾雜等條件下，電腦便不及人類能迅速過(guò)濾無(wú)用信息，理解對(duì)方的意思。或者，講述者說(shuō)的是一個(gè)全新的、創(chuàng)新性的詞語(yǔ)，此前沒有人說(shuō)過(guò)，機(jī)器自然沒學(xué)習(xí)過(guò)，就很難識(shí)別。

有趣的是，方言與口音并不在計(jì)算機(jī)懼怕的領(lǐng)域范圍內(nèi)。以阿里客服為例，他們每天會(huì)接聽來(lái)自全國(guó)乃至世界各地的電話，后臺(tái)的ET被各種口音訓(xùn)練過(guò)，只要積累足夠的訓(xùn)練量，可以無(wú)上限地成為N種方言專家，識(shí)別標(biāo)準(zhǔn)普通話之外的口音。

離消費(fèi)級(jí)僅一步之遙

與大部分被束之高閣的前沿研究不同，語(yǔ)音識(shí)別技術(shù)已經(jīng)應(yīng)用到實(shí)際產(chǎn)品中，例如科大訊飛已經(jīng)推出一系列手機(jī)應(yīng)用，用于錄音轉(zhuǎn)化文字。微軟也在其Xbox游戲平臺(tái)、最新的Windows中部署語(yǔ)音識(shí)別助手。

根據(jù)人工智能世界級(jí)專家、百度首席科學(xué)家吳恩達(dá)的說(shuō)法，當(dāng)下語(yǔ)音識(shí)別可能已達(dá)到平均95%的準(zhǔn)確度，一旦提升到99%，就將發(fā)生質(zhì)變：你從偶爾使用語(yǔ)音，變到常常自然而然地使用。屆時(shí)，人機(jī)交互方式將徹底改變，雙手與鍵盤被解放，人們真的“動(dòng)口不動(dòng)手”。

事實(shí)上，來(lái)自亞馬遜的一款產(chǎn)品已經(jīng)印證了這一趨勢(shì)：Echo智能音箱被嵌入亞馬遜的語(yǔ)音識(shí)別技術(shù)Alexa，成為語(yǔ)音控制智能家居的入口。上市兩年以來(lái)，Echo已經(jīng)學(xué)會(huì)了朗讀小說(shuō)、用Uber叫車、叫匹薩外賣、配合戶主玩語(yǔ)音游戲。由于當(dāng)下的語(yǔ)言技術(shù)已能支撐不錯(cuò)的用戶體驗(yàn)，Echo獲得了市場(chǎng)認(rèn)可。根據(jù)今年6月公開的新銷售計(jì)劃，亞馬遜計(jì)劃在2017年賣出第1000萬(wàn)臺(tái)Echo。

一旦95%到99%一步跨越成功，可以預(yù)見的是，類似Echo的智能語(yǔ)音交互產(chǎn)品會(huì)遍地開花式取得成功。巨頭們顯然有相似的判斷與考慮，并在一致加速步伐：例如，由于Siri表現(xiàn)糟糕，已經(jīng)引發(fā)了蘋果高管的關(guān)注，已在不久前從美國(guó)卡耐基梅隆大學(xué)挖來(lái)人工智能技術(shù)的教授負(fù)責(zé)組建團(tuán)隊(duì)，其使命之一便是提高Siri識(shí)別語(yǔ)音率和回答問(wèn)題的“智商”。

陳一寧也向《財(cái)經(jīng)天下》周刊透露，阿里云也會(huì)在明年春節(jié)前后推出消費(fèi)級(jí)的語(yǔ)音識(shí)別產(chǎn)品，屆時(shí)，你只需將語(yǔ)音傳送到阿里云，便可由其經(jīng)過(guò)翻譯，實(shí)時(shí)返回文字。

有意思的是，這一次，科研不再只是科學(xué)家的事。你我作為人類的一員，同樣參與其中，你每次撥打客服電話，都在給計(jì)算機(jī)學(xué)習(xí)人類語(yǔ)言提供了一次寶貴的學(xué)習(xí)機(jī)會(huì)。而為你服務(wù)的，除了客服年輕人，還有背后的一整支科學(xué)家團(tuán)隊(duì)。