聲控自動化技術(shù)，讓你動口不動手

雷輝志

一艘由日本制造的新型自動化遠(yuǎn)洋貨輪，正行駛在前往澳大利亞的航線上。這艘貨輪的外形并不特別，但它卻有著過人之處——貨輪的船長隨身攜帶著一只無線話筒，無論在船上的哪個區(qū)域，只要他對著話筒發(fā)出操縱貨輪航行的口令，船上的主控電腦就能接收信號并予以識別，然后由它發(fā)出相應(yīng)的操作信號，自動操縱貨輪航行。

以上情景就是靠近年來最新聲控自動化技術(shù)實現(xiàn)的，這項技術(shù)隨著近年來電腦技術(shù)、微電子技術(shù)的不斷變革，正在突飛猛進(jìn)。在國際電子產(chǎn)品市場上，不斷涌現(xiàn)出能“聽”會“說”的新產(chǎn)品，使用者只需動口就能輕松操控它們，它們甚至還能和使用者溝通交流。那么究竟這些新產(chǎn)品是怎么長出“耳朵”和“嘴巴”的呢？

機(jī)器的“耳朵”

——語言識別器

聲控技術(shù)的關(guān)鍵是要讓機(jī)器能夠聽懂人的口令，這是一個非常復(fù)雜的過程，要想了解其中的奧秘，首先得談?wù)勅祟惖恼Z言。

語言是一種波形復(fù)雜、變化多端的聲波?？茖W(xué)家利用一種叫做語圖儀的專門儀器分析過人類語言的動態(tài)頻譜，結(jié)果發(fā)現(xiàn)，每個語音的語圖都是由幾條“帶子”組成的。當(dāng)然，語音不同，“帶子”的形狀也不同。但只要說的是同一個字音，那么不管是誰發(fā)聲，這幾條“帶子”的形狀都會基本一致。也就是說，每個語音中都含有某種不變的特質(zhì)，而這個特質(zhì)就是人的聽覺將會感受到的核心因素，語言學(xué)家把它稱為口腔共鳴的特征頻率。

這些特征頻率為科學(xué)家研發(fā)聲控技術(shù)提供了便利——如果能夠制造一種機(jī)器“耳朵”，并在其中嵌入每個語音的特征頻率的“樣板”，那么當(dāng)這只“耳朵”聽到人類的口令后，不就能將其分解成不同的語音，再同存儲的“樣板”進(jìn)行比較核對，隨后借助自動控制電路，最終實現(xiàn)按照口令完成各種動作了嗎？

道理雖然簡單，實際開發(fā)卻并不容易，科研人員需要解決復(fù)雜的數(shù)學(xué)運(yùn)算過程，同時克服一系列技術(shù)上的難題。

隨著科學(xué)技術(shù)的進(jìn)步，電腦的問世讓人類制造這樣的機(jī)器“耳朵”成為可能。20世紀(jì)60年代，科學(xué)家開始在實驗室里研究聲控技術(shù)的核心——語言識別技術(shù)。20世紀(jì)70年代末，微電腦的出現(xiàn)更是讓聲控技術(shù)實現(xiàn)了飛躍式發(fā)展——微電腦處理與存貯信息的神奇功能，以及它低廉的價格、小巧的體積，為聲控技術(shù)走出實驗室創(chuàng)造了必要條件，人們由此開啟了實際應(yīng)用聲控技術(shù)的新時期。

產(chǎn)品的更新?lián)Q代

20世紀(jì)70年代中期，美國出現(xiàn)了一種叫做“小先生”的電子玩具，它能向兒童提出簡單的算術(shù)題和拼讀英文單詞題，而兒童則可以用說話來回答。如果回答正確，屏幕上就會出現(xiàn)“Yes”的字樣，同時發(fā)出贊許聲;如果回答錯誤，屏幕上則會出現(xiàn)“No”，同時繼續(xù)提問。這種有趣的幼兒學(xué)習(xí)工具一經(jīng)推出，便大受歡迎。

隨后，豐富多彩的具有聲控功能的電子產(chǎn)品開始不斷問世：聲控電視機(jī)能根據(jù)使用者發(fā)出的口令，自動開關(guān)、選擇電視頻道、調(diào)節(jié)亮度與色度;聲控打字機(jī)會按照人的口授，自動打字、斷句、起行，還能自動閱讀，讓使用者方便校核;聲控翻譯器能把口述的簡單語句，進(jìn)行自動翻譯，并將最終結(jié)果顯示在屏幕上;聲控電梯則可以讓殘障人士盡享便利，輕松操控電梯上下、開關(guān)……

如今，聲控技術(shù)已經(jīng)更加廣泛地應(yīng)用于各類電子產(chǎn)品上。

比如蘋果手機(jī)用戶非常熟悉的Siri，就是一種智能語音控制系統(tǒng)，它不僅可以支持自然語言輸入，還可以調(diào)用系統(tǒng)自帶的天氣預(yù)報、日程安排、搜索資料等應(yīng)用，更能夠不斷學(xué)習(xí)新的聲音和語調(diào)，提供對話式的應(yīng)答。

最近，在英國還出現(xiàn)了專門為喪失生活自理能力人士設(shè)計的聲控房間，室內(nèi)的一切器具都可以通過主人發(fā)令而自動運(yùn)行。房間內(nèi)的聲控裝置只有一本筆記本大小，而且只能識別主人的指令，殘障人士可以通過它輕松地開關(guān)門窗、啟動家電。

在國外某些重要的通訊、交通或情報部門，聲控技術(shù)還得到了更為實際的應(yīng)用——自動預(yù)定車輛、分揀行李、查閱文獻(xiàn)資料等等，不一而足。

目前，這些聲控裝置按照其識別語言的狀況大致分為兩類：一類是限定單詞的語音識別聲控裝置，另一類則是非限定單詞的語音識別聲控裝置。第一類裝置只能“聽”懂規(guī)定范圍內(nèi)的單詞口令，一般只有幾百個，識別率在90%以上。第二類裝置能夠“聽”懂的單詞數(shù)量在幾千個左右，還可以識別復(fù)雜的語句，其中的技術(shù)自然也比第一類裝置更先進(jìn)。

讓機(jī)器說話

——語言合成器

時至今日，能夠“聽”懂人類語言的機(jī)器已經(jīng)不是什么新玩意兒了，現(xiàn)在機(jī)器裝置的發(fā)展新趨勢是借助“電子嘴巴”為機(jī)器增加“說”的功能，而“電子嘴巴”就是語言合成器。微電子技術(shù)的迅猛發(fā)展，已經(jīng)可以把這種復(fù)雜的裝置制造成微小的大規(guī)模集成電路，推廣普及應(yīng)用到各種聲控裝置中。

機(jī)器能夠模仿人聲發(fā)出合成語言的道理，恰恰是語言識別過程的逆轉(zhuǎn)。把合成語言頻帶的一系列不同頻率的振蕩電壓，按照語圖的形狀組合起來，再經(jīng)過揚(yáng)聲器放音，就是語言合成器的工作過程。

其實，這種人造語言技術(shù)遠(yuǎn)比機(jī)器識別語言技術(shù)要成熟得多。早在1939年，在美國紐約世界博覽會上就曾展出過一臺形似鋼琴的大型儀器，它就能模擬人聲發(fā)音講話。這臺最早的人工語言合成裝置曾經(jīng)轟動一時，但由于體積過于龐大，一直未能走向市場。如今，語言合成器日臻成熟完善，體積也不斷縮小，終于有機(jī)會來到你我身邊。

機(jī)器合成語言的方法通常有三種，其中效果最好、效率最高的就是波形譯碼法。這種方法是用極高的頻率連續(xù)測定每個音節(jié)的聲波波形，將測定結(jié)果變?yōu)槎M(jìn)位數(shù)碼輸入到電腦中，使用時只需將數(shù)碼取出并經(jīng)過適當(dāng)組合，就能轉(zhuǎn)換為電信號發(fā)出聲音。不過，這種方法每秒大約要處理5萬個碼，在單位時間內(nèi)需要處理的信息量太大，因此只有超級計算機(jī)才能勝任。第二種方法是音素合成法，它能把語音信息壓縮到每秒100個數(shù)碼，同時將聲母音進(jìn)行提取，按照順序排列，配以音調(diào)發(fā)生器與濾波器，發(fā)出緩慢的、勉強(qiáng)可懂的人工合成語言。但這種方法的準(zhǔn)確度較低，只能在要求不高的場合使用。第三種方法是當(dāng)前比較流行的線性預(yù)測編碼法，它是在音素合成法的基礎(chǔ)上進(jìn)一步完善而成的。

語言合成器除了作為聲控裝置的一部分得到應(yīng)用外，還被制成了文字語言轉(zhuǎn)換裝置，比如為盲人量身打造的、能夠“讀書看報”的閱讀機(jī)。

聲控技術(shù)已經(jīng)在汽車上得到應(yīng)用。

神奇的未來

最近，在美國新奧爾良市舉行的一次電腦展覽會上，出現(xiàn)了一款使用者能夠通過日常口語直接向電腦提問，或是操控電腦的新程序，人們不必再像以往那樣借助鍵盤或鼠標(biāo)輸入各類指令——傳統(tǒng)使用電腦的方式發(fā)生了改變。

電腦固然可以代替人的部分腦力勞動，但是它要求人們必須為其編制好程序。所以，編制程序才是人們掌握電腦的最大障礙，這也是正版軟件價格可能超出電腦硬件價格的一個重要原因。假如聲控技術(shù)逐步完善，將來就有可能免除人工編制程序的繁瑣過程——電腦將會按照口令自行編制工作程序。事實上，這個美好的愿望很快就將實現(xiàn)，美國、日本和歐盟正在大力研發(fā)的第五代人工智能電腦，都將具有這類神奇功能。

目前來看，聲控自動化技術(shù)還算不上盡善盡美，但相信大家都有更美好的期待。如果要用一句詩詞來形容這項技術(shù)，那便是“此時無聲勝有聲”，不對，應(yīng)該是“此時有聲勝無聲”！