智能語音技術(shù)：超越人類水平

楊玄章

智能購物助理，對著它說你想買什么，它就能運(yùn)用語音識(shí)別軟件記錄下來，并分好類。當(dāng)你去購物前打印出來即可

就在十幾年以前，基于人工智能的語音識(shí)別和合成還僅是科幻電影的元素。那個(gè)時(shí)候，人們認(rèn)為“能和人類對話”、“替人類講話”等技術(shù)還有很長的路要走。

2014年，在英國雷丁大學(xué)舉辦的圖靈測試競賽上，人類設(shè)計(jì)的機(jī)器問答對話系統(tǒng)首次通過了著名的“圖靈測試”。圖靈測試是由計(jì)算科學(xué)領(lǐng)域的大師阿蘭·圖靈在1950年提出的，他認(rèn)為如果設(shè)備能在5分鐘內(nèi)答由人類測試者提出的一系列問題，且其超過30%的回答讓測試者認(rèn)為是人類所答，則可以認(rèn)為這個(gè)設(shè)備具備人工智能。64年后的這次測試中，俄羅斯人維西羅夫的人工智能軟件“尤金”成功地讓測試者在33%的情況下認(rèn)為是在與人類對話。

這之后智能語言的發(fā)展就一發(fā)不可收拾了，成為各個(gè)國家科學(xué)家和業(yè)內(nèi)領(lǐng)先企業(yè)的重要突破口。

很快，以科大訊飛為代表的語音識(shí)別的精度提高到了95%以上。

微軟研究院的系統(tǒng)可以達(dá)到與人類相同的對話水準(zhǔn)，實(shí)現(xiàn)了歷史性的突破。從谷歌大腦（Google Brain）項(xiàng)目中脫穎而出的谷歌翻譯，已經(jīng)接近人類筆譯的水平。

就在2016年10月，微軟又宣布，其語音識(shí)別系統(tǒng)的詞錯(cuò)率降低到5.9%，這已經(jīng)相當(dāng)于人類專業(yè)速錄員的水平。這意味著，計(jì)算機(jī)第一次在對話中的詞匯識(shí)別上做到跟人類一樣好。

現(xiàn)如今，在智能語音技術(shù)上，各個(gè)公司的目標(biāo)已經(jīng)定位在“超越人類水平”，請注意：不是超越人類設(shè)計(jì)制造的智能設(shè)備或者程序，而是超越人類本身。

一個(gè)古老的方向

語音技術(shù)一直是考驗(yàn)計(jì)算機(jī)智能水平最重要的一塊“試金石”之一。在眾多的計(jì)算科學(xué)子學(xué)科里，語音技術(shù)應(yīng)該算是最古老的方向之一了。教科書里普遍把智能語音技術(shù)的最早實(shí)質(zhì)性實(shí)踐定位在1952年貝爾實(shí)驗(yàn)室設(shè)計(jì)實(shí)現(xiàn)的Audrey系統(tǒng)上，這是一次里程碑式的突破，計(jì)算機(jī)歷史上第一次正確識(shí)別出了十個(gè)阿拉伯?dāng)?shù)字的讀音及含義。

不過事實(shí)上，與智能語音技術(shù)相關(guān)的工作早在一個(gè)世紀(jì)前就開始了。1877年，愛迪生發(fā)明了留聲機(jī)，可以把聲音記錄和重放。這個(gè)看似簡單的發(fā)明其實(shí)奠定了語音相關(guān)研究的基礎(chǔ)。因?yàn)橹挥腥藗兛梢哉_記錄和播放聲音，才有可能去研究它。

1936年，貝爾實(shí)驗(yàn)室的工程師們設(shè)計(jì)實(shí)現(xiàn)了Voder系統(tǒng)，這是人類第一個(gè)電子聲音合成系統(tǒng)，自此開創(chuàng)了一個(gè)新的學(xué)科。1952年，貝爾實(shí)驗(yàn)室的Audrey也利用了Voder，這樣他們才既可以聽懂十個(gè)阿拉伯?dāng)?shù)字，又可以“說出”十個(gè)阿拉伯?dāng)?shù)字，這樣一個(gè)完整的機(jī)器對話系統(tǒng)算是有了雛形。

有了這樣的開局，人們都看到了希望，各大公司和大學(xué)等機(jī)構(gòu)投入巨資去研究語音識(shí)別技術(shù)。1962年，IBM的“鞋盒子”（Shoebox system）可以聽懂16個(gè)英文單詞；1971年，美國DARPA（美國國防部下屬的研發(fā)機(jī)構(gòu)）資助的項(xiàng)目組演示了可以識(shí)別1000個(gè)單詞的技術(shù)，緊接著卡耐基梅隆大學(xué)的Harpy系統(tǒng)就能聽懂1000多個(gè)單詞了。雖然這個(gè)早期階段被業(yè)內(nèi)人士稱為僅是“baby talk”，但是他們的積極嘗試給以后語音技術(shù)大發(fā)展奠定了重要的理論及實(shí)踐基礎(chǔ)。

上世紀(jì)八十年代開始，由于引入了一個(gè)隱藏馬爾科夫模型（Hidden Markov Model HMM），這個(gè)領(lǐng)域產(chǎn)生了質(zhì)的飛躍，語音識(shí)別的準(zhǔn)確度和合成的精度都大幅提升。這個(gè)模型的發(fā)明人就是大名鼎鼎的數(shù)學(xué)家雷昂納德鮑姆，他也是華爾街量化交易的奠基人之一。有了這一利器，語音技術(shù)的發(fā)展一發(fā)不可收拾，各種越來越智能的語音系統(tǒng)層出不窮，可以商用的系統(tǒng)也開始進(jìn)入家庭（如Julie娃娃），走進(jìn)個(gè)人電腦（如微軟office語音識(shí)別系統(tǒng)），手機(jī)（如蘋果的Siri）和互聯(lián)網(wǎng)（如谷歌的voice search）。這一階段是智能語音技術(shù)發(fā)展的“飛躍時(shí)期”，語音識(shí)別和合成技術(shù)真正走向?qū)嵱茫⒃谌鐣?huì)的各個(gè)角落開花結(jié)果。

然而，智能語音領(lǐng)域的專家和開拓者一直有一個(gè)夢想， 就是創(chuàng)造出真正可以和人類對話的人工智能系統(tǒng)。就這樣，故事回到了本文開頭時(shí)提到的2014年圖靈測試競賽。不過，“尤金”的成功仍只是個(gè)開頭，這個(gè)領(lǐng)域在近兩年進(jìn)入了真正的黃金時(shí)代。隨著深度學(xué)習(xí)的引入，機(jī)器可以更加深入地學(xué)習(xí)并理解語音；配以更高性能CPU和GPU的智能終端和機(jī)器人們，可以更高速地處理語音，理解更深層次的語義；高速網(wǎng)絡(luò)、云計(jì)算和大數(shù)據(jù)的支持使得人們可以讓機(jī)器進(jìn)行更大規(guī)模的統(tǒng)計(jì)訓(xùn)練，學(xué)習(xí)海量的語素，更有效地理解和還原各種人類語言的含義……

在2016 BOT大數(shù)據(jù)應(yīng)用大賽上，闖進(jìn)決賽的11個(gè)機(jī)器人項(xiàng)目無一例外地展現(xiàn)了成熟且強(qiáng)大的智能語音能力，這些應(yīng)用范圍非常廣，涵蓋了購物、招聘、法律、旅游、教育、保健、客服、投資等多個(gè)領(lǐng)域，著實(shí)讓人眼前一亮。如智能購車顧問，它將購車過程中的所有知識(shí)和大家的需求都納入了學(xué)習(xí)的范圍，結(jié)合互聯(lián)網(wǎng)海量的汽車評論，在對話中通過了解用戶的屬性、需求、說話方式來推測適合用戶的車。還有的將機(jī)器人對話應(yīng)用在人力資源領(lǐng)域，以后使用這種技術(shù)的公司就不用安排寶貴的人力去做首輪面試了，支持智能語音能力的機(jī)器人就可以勝任了。

也就在前不久，美國《華盛頓郵報(bào)》報(bào)道了一個(gè)出人意料的新職業(yè)：機(jī)器人作家。報(bào)道認(rèn)為電腦已經(jīng)具備學(xué)習(xí)和理解人類語言中深層次東西的能力，因此具備了成為詩人、劇作家、小說家的潛質(zhì)。就在今年的里約奧運(yùn)會(huì)上，這家報(bào)紙就把這個(gè)新“記者”邀請到報(bào)道團(tuán)隊(duì)中，它的名字叫“Heliograf”。在里約奧運(yùn)會(huì)上，一些初級(jí)的報(bào)道內(nèi)容（比如說獎(jiǎng)牌榜、比賽時(shí)間、新媒體互動(dòng)等）全部是這個(gè)“新入行”的記者完成的。

2016年，白宮在Facebook上為總統(tǒng)奧巴馬“聘請”了一位機(jī)器人，用以增強(qiáng)總統(tǒng)與普通民眾之間的交流。要知道美國總統(tǒng)是個(gè)很忙的職業(yè)，但是在Facebook上，每天有數(shù)以十萬計(jì)的民眾給他留言，希望得到一個(gè)回復(fù)。這時(shí)候，聊天機(jī)器人就有用武之地了。這個(gè)“總統(tǒng)發(fā)言人”可以從大量的留言中歸類篩選出最有人氣的問題發(fā)給總統(tǒng)。在奧巴馬回復(fù)之后，機(jī)器人又可以把這些回復(fù)變換成合適的句式和語氣回復(fù)給廣大的網(wǎng)友。

可以預(yù)見到，在不久的將來，智能語音技術(shù)將催生更多的創(chuàng)新，迸發(fā)出更大的能量。

數(shù)字語音技術(shù)圖譜

用起來簡單的智能語音技術(shù)并不簡單，在端到端的應(yīng)用中，需要多種技術(shù)來支持。

首先，要“聽得懂”?；镜恼Z音識(shí)別過程中，首先會(huì)利用移動(dòng)窗口函數(shù)將一段連續(xù)的語音波形切開成一小段一小段，每小段稱為一幀。分幀之后，需要對每一個(gè)小段進(jìn)行波形變換，根據(jù)人耳的生理特性進(jìn)行特征提取，將這些表面上雜亂無章的內(nèi)容變成具有不同特征的多維向量，從而組成不同的狀態(tài)，這一步是語音識(shí)別中最難的地方。解決這個(gè)問題最成熟的方法就是運(yùn)用隱藏馬爾可夫模型（HMM），將各個(gè)幀最合理地組成狀態(tài)再把狀態(tài)組合成因素，最后將因素組合成單詞。

其次，要“傳得開”。由于要?jiǎng)佑么罅康暮笈_(tái)資源進(jìn)行模型訓(xùn)練、語音分解和語義理解，語音的壓縮和傳輸技術(shù)也是必不可少的一環(huán)。隨著各種高保真立體聲的語音壓縮技術(shù)的引入，在各種應(yīng)用中參與交流的各方都可以接收到高質(zhì)量的話音。

再者，要“答得出”。在正確識(shí)別出語音的基本語素，同時(shí)能保證高質(zhì)量的傳輸后，需要人工智能技術(shù)來弄懂這里面的深刻含義，并給出正確合理的答案。自然語言處理（NLP）是這個(gè)領(lǐng)域最核心的技術(shù)，同時(shí)也是一個(gè)非常廣博的技術(shù)方向，其中包括詞類標(biāo)注、詞法分析、句法分析、篇章分析、情感分析等多個(gè)技術(shù)。早期的NLP受到計(jì)算能力的限制，往往采用一些基本的機(jī)器學(xué)習(xí)算法來進(jìn)行分類、理解和整理，精度不是很高，只能滿足特定場景的應(yīng)用。隨著計(jì)算能力的提升，網(wǎng)絡(luò)質(zhì)量的提高以及大數(shù)據(jù)技術(shù)的引入，人們可以采用更復(fù)雜的深度學(xué)習(xí)來進(jìn)行這項(xiàng)工作。

最后，要“說得出”。在智能語音技術(shù)中，數(shù)字語音合成這個(gè)領(lǐng)域最早產(chǎn)生大規(guī)模的應(yīng)用。在機(jī)場、火車站、智能手機(jī)、導(dǎo)航、商場等多個(gè)領(lǐng)域，文字轉(zhuǎn)語音（Text-To-Speech， TTS）都發(fā)揮著巨大的作用。后來，TTS系統(tǒng)不僅可以自動(dòng)合成語音，還能根據(jù)現(xiàn)場環(huán)境、情感和語境來變換語速和語調(diào)，還能模擬特定人物的語音，“志玲姐姐”就在某導(dǎo)航軟件中通過TTS技術(shù)展現(xiàn)出來。如今，機(jī)器人可以利用這項(xiàng)技術(shù)可以不費(fèi)吹灰之力將自然語言處理的結(jié)果展現(xiàn)出來，惟妙惟肖，生動(dòng)可人。

責(zé)任編輯：方丹敏

人機(jī)語音交互，使人與機(jī)器之間溝通變得像人與人溝通一樣簡單。讓機(jī)器說話，用的是語音合成技術(shù)；讓機(jī)器聽懂人說話，用的是語音識(shí)別技術(shù)

父親，