人機(jī)交互的革命： 語音智能識別

若怡

隨著計算機(jī)、“互聯(lián)網(wǎng)+”、大數(shù)據(jù)應(yīng)用、人工智能等技術(shù)在生活與工作中的深度運(yùn)用，人類越來越迫切地冀望以“操作指令與機(jī)器執(zhí)行相互配合”的模式替代傳統(tǒng)的機(jī)械性勞動，通過人機(jī)交互的智能方式進(jìn)一步促進(jìn)工作效率的顯著提升。因此，近年來，作為理想的人機(jī)交互方式之一的“語音識別技術(shù)”，正在經(jīng)歷著提速發(fā)展的黃金時期。其工作原理是通過捕捉聲波的方式，將聲波予以數(shù)字化，轉(zhuǎn)換成基本語言單位或者音素，再根據(jù)音位、語境等要素構(gòu)建詞語，轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或者命令，從而保持與機(jī)器聽到的詞語的一致性，最大限度地降低人力成本，大幅提升應(yīng)用領(lǐng)域的工作效能。

語音識別

“語音識別”又稱為“自動語音識別”，其最基本的功能是將說話人的語音中的詞匯內(nèi)容轉(zhuǎn)換成計算機(jī)可讀的方式輸入（比如：二進(jìn)制編碼、字符序列）。一般而言，“語音識別”的應(yīng)用涵蓋了語音撥號、聽寫數(shù)據(jù)錄入、語音導(dǎo)航、室內(nèi)設(shè)備控制、語音文檔檢索等方面。通過與其他自然語言處理技術(shù)（比如：機(jī)器翻譯、語音合成）相結(jié)合，“語音識別”還可以構(gòu)造出更加復(fù)雜的應(yīng)用（譬如：由中文到英文的翻譯）。

要追溯語音識別的發(fā)展史，就要從“貝爾研究所”（又稱為：Bell實(shí)驗(yàn)室）說起。1952年，貝爾研究所的Davis等人經(jīng)多番研究，成功地建立了世界上第一個“語音識別系統(tǒng)”。該系統(tǒng)能夠識別9個英文數(shù)字的發(fā)音，標(biāo)志著人類探索語音識別技術(shù)的大門正式打開。進(jìn)入20世紀(jì)60年代，計算機(jī)的應(yīng)用推動了語音識別的發(fā)展?？茖W(xué)家們運(yùn)用動態(tài)規(guī)劃、線性預(yù)測等分析技術(shù)，力圖從標(biāo)準(zhǔn)模板匹配的視角進(jìn)行突破，從而破解大范圍捕捉聲波的難題，即“語音信號產(chǎn)生模型的問題”。時間的年輪來到20世紀(jì)80年代，“隱馬爾可夫模型”（簡稱“HMM”）和“人工神經(jīng)網(wǎng)絡(luò)”（簡稱“ANN”）兩大理論代替標(biāo)準(zhǔn)模板匹配技術(shù)在語音識別領(lǐng)域被廣泛應(yīng)用，加速了語音識別模型的發(fā)展。之后，隨著多媒體時代的到來，語言識別系統(tǒng)逐漸從“實(shí)驗(yàn)室”走向“實(shí)用”，從“研究”走向“產(chǎn)品”。日本、美國等技術(shù)領(lǐng)先國家亦在這個時期，開始將“語音識別技術(shù)”應(yīng)用至具體的產(chǎn)品研發(fā)領(lǐng)域，推出了噪聲下的語音識別和會話（口語）識別系統(tǒng)、高級人機(jī)口語接口和自動電話翻譯系統(tǒng)等智能化產(chǎn)品，在語音識別技術(shù)的應(yīng)用及產(chǎn)品化方面跨出了重大的一步，正式開啟了語音識別“產(chǎn)品化”的進(jìn)程。

語音智能識別

根據(jù)人民日報海外版的報道，“語音的交互界面正在成為新的主流，全球的語音產(chǎn)業(yè)的智能化已經(jīng)步入應(yīng)用的高速增長期。據(jù)預(yù)測，2017年全球智能語音產(chǎn)業(yè)規(guī)?；?qū)⒊^110億美元，到2020年則將達(dá)到200億美元”。在語音產(chǎn)品智能化的大勢所趨下，對語音識別的要求亦在不斷地提高。當(dāng)前，語音識別不僅局限于“語音采集識別”“信息實(shí)時錄入”等傳統(tǒng)功能，更將觸角延伸至“語音及文字的相互翻譯”“人機(jī)智能交互”等深度功能。不但嘗試將語音轉(zhuǎn)寫為文字，更探索識別或者確認(rèn)發(fā)出語音的說話人，并根據(jù)說話人的指令進(jìn)行下一步的操作。這正是“語音識別”智能化的最大亮點(diǎn)。

盡管語音智能識別在我國的科研推廣起步較晚，然而信息化、數(shù)字化、智能化（又稱為：三化）在我國的產(chǎn)業(yè)發(fā)展中越來越得到研發(fā)企業(yè)、政府機(jī)構(gòu)、消費(fèi)市場的青睞。據(jù)工信部賽迪研究院數(shù)據(jù)顯示，“2016年我國人工智能企業(yè)已經(jīng)達(dá)到709家，總量高居全球第二，位列美國之后”。乘著這股“東風(fēng)”，語音智能識別近年來在華夏大地得到了迅猛的發(fā)展，尤其是從“實(shí)驗(yàn)室系統(tǒng)”到“市場化商品”的演變。自2013年第一屆中國電子信息博覽會舉辦至今，我國的智能語音技術(shù)在信息通信、司法、刑事偵查、醫(yī)療、金融、家用電器等領(lǐng)域的新產(chǎn)品、新應(yīng)用已初露端倪——

信息通信服務(wù)：語音搜索

在移動互聯(lián)網(wǎng)領(lǐng)域，越來越多的產(chǎn)品亦加入了語音智能識別技術(shù)。目前，安卓手機(jī)的語音智能識別大多采用了科大訊飛的系統(tǒng)?？拼笥嶏w與中國移動共同推出的語音門戶產(chǎn)品“靈犀”，更是具備離線語音識別、識別速度優(yōu)化等深度功能，用戶人數(shù)逾百萬。又比如：滴滴打車軟件采取了地圖系統(tǒng)與語音智能識別結(jié)合的系統(tǒng)，一經(jīng)面世便獲得了消費(fèi)者的廣泛關(guān)注與歡迎。百度力推的搜索界面和導(dǎo)航犬亦引入了語音識別功能，為用戶提供了更人性化的服務(wù)體驗(yàn)。再比如：在手機(jī)上被廣泛使用的各類輸入法軟件。以“訊飛語音輸入法”為例。訊飛語音輸入法已經(jīng)可以實(shí)時將說話者的普通話語音直接轉(zhuǎn)化為漢字輸入，實(shí)現(xiàn)了高精準(zhǔn)的識別錄入。

刑事偵查應(yīng)用：警務(wù)智能語音服務(wù)平臺

目前，公安部已經(jīng)成立了“智能語音實(shí)驗(yàn)室”，著力研究語音偵控應(yīng)用系統(tǒng)、聲紋識別系統(tǒng)、語音轉(zhuǎn)寫系統(tǒng)，致力于智能語音技術(shù)在公安機(jī)關(guān)的研究和應(yīng)用，將科研成果轉(zhuǎn)化為核心戰(zhàn)斗力。地方層面，寧夏、山東、上海、南京、浙江、吉林等地已經(jīng)開啟了警務(wù)智能語音應(yīng)用的先行先試。以“寧夏銀川市公安局執(zhí)法辦案區(qū)智能化管理系統(tǒng)”為例。銀川市公安局結(jié)合屬地執(zhí)法辦案的實(shí)際情況及現(xiàn)實(shí)需求，聯(lián)合天津天地偉業(yè)數(shù)碼科技有限公司和寧夏天佑信息科技有限公司進(jìn)行深入研發(fā)，在辦案中心和案件管理中心推出了執(zhí)法辦案區(qū)智能化管理系統(tǒng)。該系統(tǒng)引入了人員定位、智能合成錄像、智能報警等科技應(yīng)用。其中，包含了警務(wù)智能語音服務(wù)平臺。平臺的基礎(chǔ)功能是為民警在辦案區(qū)訊問室審訊犯罪嫌疑人提供語音內(nèi)容的快速轉(zhuǎn)寫服務(wù)，普通話識別率達(dá)到95%以上。又比如：浙江省金華市公安局提出建立“智能語音云平臺”。平臺集成聲紋自動識別、語音自動轉(zhuǎn)換文字、在線翻譯等功能，建成全局語音應(yīng)用的統(tǒng)一接口，并探索建設(shè)覆蓋全警的智能語音助手。交互通過語音、說話能即時轉(zhuǎn)成文字并傳送至后臺，需要調(diào)取的信息也可以語音的方式反饋，民警不用再填寫臺賬，也不用手工輸入信息，形成感知和研判環(huán)節(jié)的語音技術(shù)設(shè)備基本替代人力。

司法領(lǐng)域應(yīng)用：語音智能識別系統(tǒng)

以往，人民法院的書記員需全程記錄庭審的過程。為配合書記員的錄入，訴訟參與人發(fā)言時常常要刻意放慢語速，且庭審后需耗費(fèi)大量時間核對筆錄。然而，近年來人民法院受理的案件數(shù)量逐年攀升，且法院的工作人員卻流失嚴(yán)重，因此“案多人少”是當(dāng)下法院面臨的主要矛盾。在這樣的背景下，通過技術(shù)手段提高庭審筆錄制作的效率成為了法院系統(tǒng)的不二選擇。其中，語音智能識別已成為法院審理案件的重要抓手。

以浙江省高級人民法院為例。盡管浙江省高級人民法院于2014年8月探索以“庭審錄音錄像”取代“傳統(tǒng)書面筆錄”，庭審節(jié)奏變得更加緊湊，但是此種嘗試仍然存在弊端，例如法官不易直接采集筆錄內(nèi)容，制作裁判文書；當(dāng)事人若要上訴或者申請再審，書記員需要重新謄錄筆錄，更加費(fèi)時。為此，浙江省高級人民法院于2016年3月正式啟動“語音智能識別系統(tǒng)”的研發(fā)工作，同年5月在杭州西湖法院等部分基層法院進(jìn)行試點(diǎn)運(yùn)行，同年8月底在全省105家法院全面鋪開推廣應(yīng)用。據(jù)《法制日報》介紹，浙江省高級人民法院的“語音智能識別系統(tǒng)”具備語音自主學(xué)習(xí)能力，可以自動學(xué)習(xí)歷史案件數(shù)據(jù)，結(jié)合不同法院和訴訟參與人的語音資料進(jìn)行有針對性的學(xué)習(xí)。即便帶有一定口音的普通話，系統(tǒng)經(jīng)過反復(fù)學(xué)習(xí)和模型訓(xùn)練，識別率亦可持續(xù)提高。同時，法官還可以提前導(dǎo)入案件起訴狀等內(nèi)容，讓系統(tǒng)提前“學(xué)習(xí)”，從而提升當(dāng)事人姓名、案件特定關(guān)鍵詞的識別率。該系統(tǒng)可以用于庭審、調(diào)解、合議、聽證、審判委員會討論等各類辦案環(huán)節(jié)，用途更包括語音轉(zhuǎn)寫、高頻詞分析、內(nèi)容檢索、爭議焦點(diǎn)歸納、法官庭審習(xí)慣分析、當(dāng)事人畫像、案件預(yù)判、知識挖掘等諸多方面。據(jù)統(tǒng)計，該系統(tǒng)的整體識別準(zhǔn)確率可以達(dá)到95%以上，既減輕法官、書記員制作筆錄的負(fù)擔(dān)，又令審理過程更加順暢。

值得關(guān)注的是，全國各地法院正在借鑒浙江先進(jìn)經(jīng)驗(yàn)的做法。比如：海南省高級人民法院于2017年7月與科大訊飛簽署戰(zhàn)略合作協(xié)議，將語音智能識別技術(shù)引入海南法院庭審，實(shí)現(xiàn)在庭審過程中對法官、原告、被告、犯罪嫌疑人、證人等各方的語音內(nèi)容自動實(shí)時識別成文字。

醫(yī)療事業(yè)應(yīng)用：醫(yī)療語音識別系統(tǒng)

在歐美國家，“語音識別”已經(jīng)在醫(yī)療領(lǐng)域使用了近十年，主要用于節(jié)約醫(yī)生電子文本錄入的時間，降低文本錄入工作難度，令醫(yī)生將更多時間和精力用在與患者及家屬溝通交流、為更多患者診斷等事情上。以“美國Nuance公司的英文語音識別技術(shù)及電腦輔助病歷抄寫系統(tǒng)”為例。醫(yī)生可使用掌上移動型設(shè)備將病患看診狀況口述下來，存成語音檔案，直接傳送至語音識別服務(wù)器。此系統(tǒng)可在5分鐘內(nèi)完成轉(zhuǎn)錄10小時的語音，極大地縮短音頻文件轉(zhuǎn)錄文本的時間。據(jù)統(tǒng)計，美國臨床中使用語音識別錄入的應(yīng)用比例已達(dá)10%至20%，有效地控制電子文本記錄及診斷報告生成時間和質(zhì)量。

我國亦在效仿此種先進(jìn)做法。北京協(xié)和醫(yī)院在國內(nèi)首先提出使用語音識別技術(shù)錄入醫(yī)療領(lǐng)域電子文本。之后，北京協(xié)和醫(yī)院通過定制醫(yī)療領(lǐng)域語言模型、個性化語言模型、部署語音云支持多渠道多終端等方式，探索建立了“醫(yī)療語音識別系統(tǒng)”。目前，該系統(tǒng)在協(xié)和醫(yī)院病房、醫(yī)技科室、手術(shù)休息室已經(jīng)上線使用，尤其對長段信息、自由醫(yī)囑錄入的成效明顯。據(jù)統(tǒng)計，超過50%的醫(yī)生認(rèn)為語音識別技術(shù)每天可節(jié)約一小時左右的時間。超過90%的醫(yī)生希望使用語音錄入方式。

金融服務(wù)應(yīng)用：自動語音應(yīng)答系統(tǒng)

在金融服務(wù)的語音智能識別方面，德國無疑走在了產(chǎn)業(yè)的前端。德意志銀行于2002年就開發(fā)了“語音識別電話”，于2009年更采用Nuance的自助語音導(dǎo)航對上述系統(tǒng)進(jìn)行全面升級。升級后的系統(tǒng)可以正確地引導(dǎo)客戶通過語音發(fā)出的請求，準(zhǔn)確定位客戶的交易需求，幫助其尋找到實(shí)現(xiàn)交易需求的途徑。在英國，巴克萊銀行在私人銀行分部Wealth推出了“語音智能識別身份鑒定功能”，亦采用Nuance為其提供技術(shù)支持。該系統(tǒng)通過比較呼入客戶的聲音與儲存在語音庫中的聲音，以此來驗(yàn)證客戶身份。若驗(yàn)證成功，客戶將可以實(shí)現(xiàn)自己的交易需求；若驗(yàn)證失敗，系統(tǒng)將啟用其他的安全認(rèn)證方式對客戶的身份進(jìn)行進(jìn)一步的核實(shí)、確認(rèn)。

我國在21世紀(jì)開始初探語音智能識別在銀行服務(wù)層面的產(chǎn)品應(yīng)用。比如：工商銀行于2012年推出了“貴賓服務(wù)專線”，并在大連等地投入運(yùn)營。該專線運(yùn)用了自動語音應(yīng)答系統(tǒng)，能對語音進(jìn)行自動識別和智能判斷，并準(zhǔn)確定位到客戶需要辦理的業(yè)務(wù)?？蛻魺o需層層收聽電話語音提示，亦不用根據(jù)提示層層選擇需要辦理的業(yè)務(wù)，只需說出“查余額”“轉(zhuǎn)賬”“定期存款”“利率查詢”等欲辦理的業(yè)務(wù)名稱，即可快速定位進(jìn)入需要辦理的相應(yīng)業(yè)務(wù)。據(jù)測算，使用自動語音應(yīng)答系統(tǒng)后，之前用戶需按鍵交互5-8次的業(yè)務(wù)，現(xiàn)在只需語音交互2-3次即可，平均交互次數(shù)較之前大幅縮短。這項(xiàng)技術(shù)不僅令客戶使用簡單的語音辦理各項(xiàng)業(yè)務(wù)，提升客戶滿意度，而且優(yōu)化電話銀行流程，提高用戶呼入成功率，降低運(yùn)營成本。

家用電器配置：語音操控洗衣機(jī)

隨著互聯(lián)網(wǎng)與智能語音操控相結(jié)合的實(shí)踐應(yīng)用，傳統(tǒng)家電廠商的轉(zhuǎn)型升級已經(jīng)成為必然的趨勢，智能空調(diào)、智能電視、智能冰箱均陸續(xù)上線。以“格蘭仕的G+滴滴”為例。該款產(chǎn)品系一款主打語音交互的智能洗衣機(jī)。相較于傳統(tǒng)的洗衣機(jī)，其最大的不同之處在于搭載了“格蘭仕G+智慧平臺”，為用戶提供了語音操控及手機(jī)APP遠(yuǎn)程遙控的疊加功能，并融合了BroadLink DNA system、科大訊飛等一流語音軟件技術(shù)的資源，可以“聽懂”各類方言。在連接無線網(wǎng)絡(luò)后，用戶可以憑借配套的手機(jī)APP遠(yuǎn)程遙控系統(tǒng)，隨時隨地控制洗衣機(jī)的基本操作。尤其對于老人、孩子來講，僅通過語音就可以簡單的對洗衣機(jī)進(jìn)行操控，大大簡化了洗衣機(jī)的操控難度。

正如百度創(chuàng)始人、董事長兼首席執(zhí)行官李彥宏給出的答案，“語音智能識別已經(jīng)不僅局限于將客戶需要的信息呈現(xiàn)出來，還會將一些連鎖信息進(jìn)行反饋，并自動生成給客戶一套全面的服務(wù)。基于這種智能化的技術(shù)進(jìn)化，語音智能識別必將成為日后移動互聯(lián)網(wǎng)的入口之一”。隨著語音技術(shù)的逐步成熟，“語音智能識別”在不久的未來必將應(yīng)用到社會生活的方方面面，更加貼近我們的日常，其產(chǎn)業(yè)鏈覆蓋將更加完備。比如：2017年12月初，上海申通地鐵集團(tuán)與阿里巴巴和螞蟻金服集團(tuán)舉行戰(zhàn)略合作意向書簽署儀式，成功達(dá)成戰(zhàn)略合作，將引入多模態(tài)智能語音交互技術(shù)，在未來實(shí)現(xiàn)乘客憑借自身語音在綁定支付寶賬戶后輕松進(jìn)出車站的愿景?；蛟S，全領(lǐng)域的語音智能識別時代即將到來！

編輯：黃靈 yeshzhwu@foxmail.com